tesis de magÍster - economia.uc.cleconomia.uc.cl/wp-content/uploads/2015/07/tesis_cmunoz.pdf · en...
TRANSCRIPT
D O C U M E N T O D E T R A B A J O
Instituto de EconomíaTESIS d
e MA
GÍSTER
I N S T I T U T O D E E C O N O M Í A
w w w . e c o n o m i a . p u c . c l
Intermediación Laboral Pública en Chile:un Enfoque de Efecto Tratamiento
Cristian Muñoz.
2009
Pontificia Universidad Católica de Chile Facultad de Ciencias Económicas y Administrativas Instituto de Economía Magíster en Economía
Tesis de Grado, Magíster en Economía.
Autor: Cristián Alexis Muñoz Flández Comisión: Raimundo Soto.
Gert Wagner. Fecha: Agosto, 2009
Índice
Sección Página
Resumen/Abstract. 1
I. Introducción. 3
II. ¿Qué son los Intermediarios Laborales? 4
III. Oficinas Municipales de Intermediación Laboral. 6
IV. Literatura Previa. 10
V. Pregunta de Investigación. 14
VI. Metodología. 15
VII. Apuntes Econométricos. 17
VIII. Datos. 19
IX. Resultados. 26
X. Posibles Explicaciones a estos Resultados. 41
XI. Conclusión . 48
XII. Bibiografía . 49
XIII. Anexos. 52
1
Resumen
Abordando una rama de la literatura económica no explorada en Chile, esta investigación
responde la pregunta “¿Las Oficinas Municipales de Intermediación Laboral (OMIL) generan
algún efecto sobre el mercado laboral?” a través de la estimación de la diferencia marginal que
genera en el ingreso del trabajo por hora la obtención de un empleo a través de una OMIL. Se
utilizó mínimos cuadrados ordinarios y, para controlar el sesgo de selección en observables y
no observables, se utilizaron técnicas de matching y regresión censurada tipo heckit. En
nuestras estimaciones se obtuvo una diferencia marginal negativa. Sin embargo, al separar las
observaciones de acuerdo al quintil de ingreso autónomo del hogar per cápita, se observó que
tal efecto negativo sólo está presente en el tercer y cuarto quintil. Sin embargo, de estos
resultados no es posible aún extraer conclusiones de política pública. Todavía nos resta
desentrañar las explicaciones que están detrás de estas cifras. Basándonos en propuestas de
la literatura relacionada y en evidencia anecdótica, aquí se planteó que tanto el pool de
trabajadores intermediados (sus características no observables), como el conjunto de
empresas que ofrecen empleos a través de las OMIL (pueden ofrecer sistemáticamente
salarios inferiores al mercado) y la gestión de las propias OMIL pueden ser las responsable de
este efecto negativo. Probar cada una de estas hipótesis requiere de nuevos datos y de nuevas
estimaciones, lo que deja planteado el desafío de extender esta rama de la literatura
económica en Chile.
Abstract
This paper studies whether the City Hall Employment Intermediation Offices (OMIL in
Spanish) of Chile generates or not an effect on the labor market, an unexplored topic in
Chilean literature. Particularly, it compares the marginal difference in the hourly wage for
workers that find a job through the OMIL with those that enter the labor market without it.
Estimation method is Ordinary Least Squares where matching and Heckit censored regression
techniques are used in order to control for the selection bias in observable and unobservable.
General results show a marginal negative effect of the OMIL intermediation on worker’s
wages, although after splitting the sample in different quintiles, this negative effect is found
only in the third and fourth quintiles. It is not possible still to get policy implications from
these results while there is no clear explanation behind them. Considering some proposals of
related literature together with anecdotic evidence, it is stated here that unobserved
intermediated workers characteristics, firms that offer lower wages when using OMIL for
2
hiring and the own OMIL actions may explicate the negative effect found. To test each of these
hypotheses new data and estimations are required. This work sets a starting point on this
path and calls for further investigations on this relevant topic.
3
I. Introducción
En un Mercado Laboral competitivo, donde la información es completa, los Intermediarios
Laborales no existen, o no generan efectos en él. Sin embargo, existe abundante evidencia
económica que muestra que los Mercados Laborales difieren sustancialmente de este Mercado
Competitivo. Según Autor (2008), las principales desviaciones del mercado laboral respecto
de un mercado competitivo son: Información Costosa, Selección Adversa y Fallas de la Acción
Colectiva. En un Mercado Laboral que presente esas u otras desviaciones, los Intermediarios
Laborales sí pueden generar efectos. Ahora bien ¿Cómo podemos evaluar si los Intermediarios
generan algún efecto en el Mercado Laboral? Y si es así ¿Cuál es la dirección de este efecto?
Responder estas preguntas es uno de los logros de este trabajo, abordando una rama de la
literatura económica no explorada en Chile. De hecho, la reciente Comisión Asesora
Presidencial “Trabajo y Equidad” (2008) reconoce la inexistencia de evaluaciones formales a
la Intermediación Laboral en Chile.
Dentro de este tipo de instituciones, específicamente centraremos nuestra mirada en la
Intermediación Laboral Pública en Chile, constituida por las Oficinas Municipales de
Intermediación Laboral (OMIL). Ello porque existe evidencia de que este sistema ha
terminado intermediando empleos precarios (de bajos salarios y plazo fijo)1. Además, no está
claro si esta agencia llena sus vacantes de acuerdo a criterios técnicos o meramente sociales.
Así, esta investigación aborda la pregunta ¿Las OMIL generan algún efecto sobre el Mercado
Laboral? Tras realizar una revisión de los enfoques usados por la literatura económica para
este propósito, esta investigación optó por calcular la diferencia marginal que genera en el
Ingreso del Trabajo por hora la obtención de un empleo a través de una Oficina Municipal de
Intermediación Laboral (OMIL), utilizando un enfoque econométrico de efecto tratamiento.
Para lidiar con el sesgo de selección (en observables y en no observables) se utilizaron
técnicas de matching y regresión censurada tipo Heckit.
En nuestras estimaciones se obtiene un efecto negativo de la Intermediación por parte de las
OMIL sobre el Ingreso del Trabajo por hora. Sin embargo, al separar las observaciones de
acuerdo al Quintil de Ingreso Autónomo del Hogar per Cápita, se rechaza la hipótesis nula de
1 Singer (2006) resume evidencia al respecto.
4
que no hay cambio estructural. Así observamos que el efecto negativo antes descrito sólo está
presente en el 3º y 4º Quintil. Para buscar explicaciones a estos resultados, nos valemos de
experiencias previas registradas en la literatura (Kuhn y Skuterud, 2004) y de una serie de
visitas a terreno, recogiendo evidencia anecdótica que nos permita esbozar algunas hipótesis
cuyo testeo genera desafíos para próximas investigaciones.
Este informe se organiza de la siguiente manera. En la sección II se define el concepto de
Intermediario Laboral y se explica la importancia que estas instituciones tienen para el
mercado. La sección III presenta a las Oficinas Municipales de Intermediación Laboral, sus
funciones y una serie de hechos estilizados a partir de los cuales surge el tema de esta
investigación. Luego de presentar un resumen de la literatura relacionada en la sección IV, se
especifica la pregunta de investigación (sección V) y la metodología a utilizar (sección VI).
Esta última es presentada con mayor detalle en la sección VII. Los datos utilizados en nuestra
muestra y algunos estadísticos descriptivos son presentados en la sección VIII. La sección IX
es destinada a presentar los resultados, mientras que la sección X busca explicarlos a través
de literatura relacionada y evidencia anecdótica. La sección XI concluye.
II. ¿Qué son los Intermediarios Laborales?
Los Intermediarios Laborales pueden ser definidos como2: entidades e instituciones que se
interponen entre trabajadores y firmas para facilitar, informar o regular cómo los
trabajadores son empleados por las firmas, cómo el trabajo se lleva a cabo y cómo los
conflictos son resueltos. En un modelo de mercado laboral competitivo los Intermediarios
Laborales no existen, ni se los necesita. Si la información es completa y los mercados son
competitivos, la teoría sugiere que un mercado laboral competitivo es difícil de ser mejorado.
Sin embargo, Autor (2008) resume teoría y evidencia económica que muestra que los
mercados laborales difieren sustancialmente de este mercado competitivo. Que la información
en este mercado usualmente no es completa ni simétrica, que los trabajadores no suelen ser
commodities y las firmas no son siempre tomadoras de precios. Por todo esto, en general hay
espacio para que terceras partes intercedan para mejorar la operación del mercado laboral;
los Intermediarios Laborales pasan a ser instituciones necesarias.
2 Autor (2008)
5
En términos generales, según Autor (2008), las tres principales desviaciones del mercado
laboral respecto de un mercado competitivo, son:
a) Información Costosa: en un mercado laboral competitivo, la búsqueda de trabajadores
y empleadores no tiene costo. En la realidad, la búsqueda es costosa. Los trabajadores
pagan de forma directa (costos monetarios y psicológicos de participar en procesos de
selección) e indirecta (costos de oportunidad: trabajo no realizado en otro empleo y
ocio sacrificado en el proceso de búsqueda). Los empleadores incurren en costos
monetarios directos en todo el proceso de reclutamiento y selección de personal, a los
cuales se deben agregar los costos indirectos del producto no fabricado mientras las
vacantes esperan trabajadores. En este contexto, es interesante notar que la
información acerca de vacantes de trabajo y trabajadores buscando empleo es en gran
parte un bien público, no rival y no excluible, donde cada firma puede estar al tanto de
todos los trabajadores que buscan empleo, y todos los trabajadores pueden estar al
tanto de todas las vacantes. Es por eso que es muy probable que esta información sea
generada por el mercado en una cuantía menor a la óptima.
b) Selección Adversa: donde la información es costosa, el problema económico central
usualmente no es sólo la información costosa sino también la información asimétrica.
Específicamente, si la información acerca de la calidad de trabajadores o trabajos es
incompleta, los participantes del mercado que estén mejor informados tienen
incentivos a explotar su ventaja informacional, lo que perjudica a los participantes
menos informados. El primero en destacar este fenómeno fue Akerlof (1970) quien
predijo una disminución de la cantidad y la calidad transada en aquellos mercados
donde se presentara esta asimetría de información.
c) Fallas de la Acción Colectiva: proveer información no es necesariamente suficiente
para resolver las fallas de mercado. En ocasiones, los agentes racionales actuando con
información completa y expectativas certeras acerca de las acciones del otro, toman
decisiones que son privadamente óptimas, pero colectivamente subóptimas.
Los Intermediarios Laborales pueden contribuir a resolver estos problemas:
a) Información Costosa: como la información en el mercado laboral es un bien público
que probablemente sea sub-provisto en un mercado competitivo, un conjunto de
6
intermediarios laborales puede desarrollar de manera rentable la recolección y venta
de información a un costo más bajo que aquel en el que tendrían que incurrir los
buscadores de empleo, para obtenerla por sus propios medios. Así estos
intermediarios pueden mitigar el problema de la subprovisión de información.
b) Selección Adversa: los intermediarios laborales pueden resolver las asimetrías de
información obligando a que los participantes mejor informados revelen aquella
información que no presentarían voluntariamente. Sin embargo, muchas veces esta
información es no observable3, por lo que tales medidas pueden ser insuficientes para
resolver este problema del mercado laboral.
c) Acción Colectiva: si este problema se presenta, los intermediarios laborales pueden
mejorar los resultados del mercado competitivo sólo si ellos tienen el poder de
cambiar los pagos o de maximizar las elecciones de los actores de uno o de ambos
lados del mercado.
¿Qué aprendemos de esta sección? Que en un mercado laboral competitivo los intermediarios
laborales no existen o no generan efectos en el mercado laboral. Por otra parte, en un
mercado no competitivo, por alguno de los motivos antes expuestos, los intermediarios
laborales sí pueden generar efectos en el mercado laboral. Ahora bien ¿Cómo podemos
evaluar si los intermediarios generan algún efecto en el mercado laboral? Y si es así ¿Cuál es
la dirección de este efecto? Eso será tratado en algunas secciones más adelante, cuando nos
refiramos a la literatura previa y a la metodología empírica que adoptó esta investigación.
Pero, antes de eso, entraremos en detalle respecto a qué tipos de Intermediarios Laborales
existen, centrando nuestro análisis en la Intermediación Laboral Pública en Chile.
III. Oficinas Municipales de Intermediación Laboral
Al enfrentar el proceso de búsqueda, tanto trabajadores como empleadores pueden utilizar, a
3 Akerlof (1970), Autor (2001), Kuhn Y Skuterud (2004)
7
grandes rasgos, tres tipos de intermediación laboral4:
Búsqueda por sí mismos: pago por anuncios en periódicos, participación en ferias de
empleo y otros mecanismos afines.
Intermediación Pública: participación en agencias gratuitas de búsqueda de empleo.
Intermediación Privada: participación en agencias de búsqueda de empleo que cobran
una comisión por sus servicios.
El foco de nuestro estudio está en la Intermediación Laboral Pública en Chile, que es
representada por las Oficinas Municipales de Intermediación Laboral. A continuación se
entrega una breve descripción de la historia y las tareas de esta institución.
Oficinas Municipales de Intermediación Laboral
La Intermediación Laboral Pública surge en Chile en 1976 junto con la ley que crea el Servicio
Nacional de Capacitación y Empleo (SENCE). Ya en 1977 fueron creadas las Oficinas
Municipales de Colocación, cuyo objetivo primordial era otorgar gratuitamente el servicio de
colocación laboral, buscando acercar así la demanda y la oferta de trabajo. Pero es en 1997,
donde la Intermediación Pública adopta algunas de las características que presenta hoy. En
ese año las Oficinas Municipales de Colocación pasan a ser llamadas Oficinas Municipales de
Intermediación Laboral (de ahora en adelante, OMIL) y forman parte de un Sistema Nacional
de Información y Orientación para el Empleo que el SENCE comenzó a delinear en esos días.
Es así como, hoy por hoy, las funciones de una OMIL pueden ser clasificadas en5:
Colocación Laboral: esto incluye.
Asesoría Laboral: orientar la trayectoria laboral de los trabajadores que
utilizan sus servicios, delineando un perfil para su adecuada inserción laboral.
Selección: identificar apropiadamente las características del puesto
demandado por la empresa, eligiendo a los postulantes apropiados para él.
Vinculación con las Empresas: difundir los servicios que presta y mantener una
comunicación permanente con las que, después de todo, son las fuentes de
4 Según Kübler (1999).
5 Chanamé (1999).
8
empleo.
Promoción y Apoyo de los Programas Sociales de Capacitación: es a través de las OMIL
que las personas pueden acceder a parte importante de las capacitaciones ofrecidas
por SENCE. Son las OMIL las que seleccionan a las personas que accederán a los cupos
ofrecidos, de acuerdo a los criterios antes definidos por SENCE.
Intermediación de los Beneficiarios del Seguro de Cesantía con cargo al Fondo Solidario:
ese tipo de beneficiarios están obligados a certificar su condición de cesantes y buscar
empleo a través de las OMIL. Si no cumplen con alguna de estas acciones o no aceptan
alguna oferta de trabajo con un salario superior al 50% de su salario anterior, pierden
el acceso al Fondo Solidario del Seguro de Cesantía6.
Otra característica fundamental de las OMIL es su doble dependencia. Utilizando una lógica de
descentralización de las funciones públicas, desde sus inicios las OMIL dependen
administrativamente de las municipalidades. Por otra parte, dependen técnicamente del
SENCE.
Algunas cifras de Trabajadores Inscritos y Colocados por las OMIL durante el período 2000-
2004, dan cuenta de la magnitud de las operaciones de este intermediador laboral a nivel país.
2000 233506 72499 31,0%
2001 458352 123202 26,9%
2002 369797 106898 28,9%
2003 326751 91183 27,9%
2004 273507 76832 28,1%
Promedio 332383 94123 28,56%
Fuente: SENCE
Tabla 1: Desempeño OMIL (2000-2004)
Año InscritosColocacione
s
Colocacione
s/Inscritos
Luego de esta descripción conviene plantear algunas tendencias que han sido documentadas
6 Sin embargo, este tipo de beneficiarios corresponde a un porcentaje menor del total de usuarios de los servicios
de las OMIL.
9
por la literatura vinculada al tema de la Intermediación Laboral en Chile7. A partir de ellas
surgen algunas inquietudes que forman el centro de nuestra investigación:
Trabajadores Calificados no utilizan la intermediación pública: ellos enfrentan altos
costos de oportunidad junto con una potencial pérdida de capital humano durante sus
períodos de desempleo. Es por eso que buscan trabajo a través de mecanismos que les
aseguren una mayor eficacia que la que les ofrece la intermediación pública.
La intermediación pública en Chile (OMIL) ha terminado siendo una oficina de apoyo
social más que un servicio de intermediación: según Chanamé (1999), las OMIL se han
focalizado en los trabajadores que presentaban mayor dificultad en su inserción
laboral , lo cual hace que sea vista como una oficina de apoyo social más que como un
servicio de empleo. Este aparente rol asistencial dificulta que las OMIL puedan
certificar que la persona recomendada es idónea. Para la empresa no queda claro si las
vacantes intermediadas públicamente son llenadas de acuerdo a criterios técnicos, o
porque las personas necesitan ocuparse con urgencia.
La intermediación pública en Chile ha terminado ocupándose de empleos precarios8: en
Singer (2006) se resume evidencia9 que muestra que, en su mayoría, las colocaciones
de las OMIL corresponden a trabajos de plazo fijo (promedio 4 meses) con salarios
cercanos al mínimo.
Si bien las OMIL fundamentalmente intermedian empleos para trabajadores no calificados10,
no es cierto que los empleos precarios (vea nota al pie) sean los únicos a los que pueden
acceder este grupo de personas. De hecho, podemos identificar al menos dos tipos de empleos
para esta categoría de trabajadores11:
Trabajo de Alto Compromiso: de mayor productividad y mayor salario. Demandan
7 Kübler (1999), Singer (2006).
8 En este contexto, entendemos Trabajo Precario como aquel con bajo salario (cercano al mínimo) y plazo fijo
menor a un año (lo cual le impide acceder a una serie de beneficios sociales y laborales. Al menos, eso ocurre en el
año 2006 de donde provienen los datos con los que se trabaja en este estudio).
9 UAP (2005) y un panel de expertos encuestados por Singer y Gómez (2006)
10 Entendemos Trabajadores No Calificados como aquellos con un bajo stock de capital; aquellos con una baja
escolaridad.
11 Singer (2006)
10
mayor esfuerzo y una mayor permanencia en la empresa, presentando generalmente
posibilidades de capacitación.
Trabajo de Bajo Compromiso: de baja productividad y bajo salario. Demanda un menor
esfuerzo y requiere una menor permanencia en la empresa.
Un ejemplo de esta distinción puede ser realizada en el rubro del retail. Este tipo de empresas
ofrece puestos de venta, empaque, seguridad y carga para trabajadores no calificados durante
sus períodos de alta operación (ej.: navidad). Estos son empleos de bajo compromiso, de bajo
nivel de responsabilidad, esencialmente destinados a cubrir necesidades temporales. Sin
embargo, estas labores son ejercidas también por personal estable a los cuales les son
encargadas tareas de un nivel más alto de responsabilidad (ej.: manejo de dinero) Estos
empleos ofrecen mayores posibilidades de capacitación, buscando una mayor permanencia
dentro de la empresa: empleos de alto compromiso.
¿Qué aprendemos de esta sección? Que dentro de los variados tipos de intermediarios
laborales que pueden existir en Chile uno de ellos, de tipo público, corresponde a las Oficinas
Municipales de Intermediación Laboral (OMIL). Variados estudios documentan que al parecer,
las OMIL sólo están intermediando una parte de los empleos no calificados: aquellos con bajo
salario y baja permanencia en la empresa; es decir, los de bajo compromiso. Es por ello que
nuestra pregunta de la sección II ahora es planteada de la forma ¿Las OMIL generan algún
efecto en el mercado laboral? (por ejemplo, nos podemos preguntar ¿Las OMIL generan algún
efecto sobre las personas que intermedian?) Aquí se mantienen las respuestas que entrega el
marco de la sección II. A saber, en un mercado laboral competitivo las OMIL no generarían
efecto sobre el mercado laboral (o sobre las personas intermediadas por ella). Por otra parte
en un mercado laboral que presenta algunas de las fallas descritas en la sección II (u otras), las
OMIL sí provocarán algún efecto sobre el mercado laboral. Ahora bien, ¿Cómo podemos
evaluar la presencia de un efecto del Intermediario sobre el mercado laboral? La literatura
económica ha sometido a esta evaluación a distintas instituciones de intermediación laboral. A
continuación, se presenta un breve resumen de tales estudios, que servirán de base para esta
investigación.
IV. Literatura Previa
11
El primer trabajo relevante dentro de esta área es el de Pissarides (1979), donde se plantea un
modelo de equilibrio donde trabajadores desempleados y empresas pueden registrarse en
una agencia de empleo o buscar aleatoriamente a una contraparte. Esta agencia de empleo es
modelada como una institución pública centralizada que otorga beneficios a los trabajadores,
pero no a las empresas registradas12. Aquí también se incorpora la posibilidad de que las
empresas utilicen mecanismos privados de búsqueda laboral (avisos). En este trabajo se
realiza un análisis de estática comparativa, del cual emerge como principal recomendación de
política pública la promoción de los mecanismos privados de búsqueda como una forma de
reducir el nivel de desempleo de estado estacionario.
Con posterioridad a este trabajo, varios otros han abordado este tema desde diversas aristas,
aportando distintos elementos a esta investigación. A grosso modo, se los puede agrupar de la
siguiente forma:
a) Modelos de Equilibrio con Dos Tipos de Agencia.
Kübler (1999) y Zweifel y Zaborowski (1996) presentan modelos donde dos tipos de agencia
de intermediación laboral coexisten en un contexto donde el trabajador posee información
privada. En estos trabajos no se modela el proceso de búsqueda de empleo, sino que se
suponen dos formas de generar la unión entre trabajadores y empleo, dos tipos de agencias
con dos tecnologías de intermediación exógenamente definidas:
Agencia Pública: que ofrece servicios gratuitos, pero que presenta alguna
probabilidad de no lograr llenar la vacante de trabajo.
Agencia Privada: tiene una mayor probabilidad de llenar la vacante, pero cobra
una comisión por cada trabajador colocado.
En ambos papers el trabajador posee información privada. Mientras en Kübler (1999) es la
desutilidad del esfuerzo, en Zweifel y Zaborowski (1996) es su productividad. Ambas
investigaciones realizan un extenso análisis de estática comparativa, donde se concluye que la
participación relativa de ambos tipos de agencias dentro del total de intermediaciones
laborales depende crucialmente de la eficacia relativa entre las agencias públicas y las
privadas.
12 Tal como ocurre en Chile, donde la obtención del Fondo Solidario del Seguro de Cesantía está condicionada por
la inscripción y búsqueda (no necesariamente obtención) de empleo a través de una OMIL.
12
b) Selección Adversa: cambios exógenos en el mercado laboral
Kugler y Saint Paul (2004) y Canziani y Petrongolo (2001) testean la presencia de un “efecto
estigma” en el mercado laboral. En ambos papers se argumenta que la calidad del trabajador
es imperfectamente observada al momento de ser contratado por una firma. Además, cuando
enfrentan un shock adverso, las empresas prefieren despedir a los trabajadores de menor
calidad, los que le generan menores utilidades. Según los autores, ambos hechos hacen que en
equilibrio las firmas prefieran contratar trabajadores empleados, porque los consideran más
productivos que los desempleados. Es por ello que ambas investigaciones plantean la
hipótesis de que un incremento en los costos de contratación afectará las posibilidades de
reempleo para los desempleados. Para testearla, ambos trabajos usan datos de panel acerca
de transiciones laborales. La única diferencia entre los dos estudios es que en Kugler y Saint
Paul (2004) se utiliza un modelo probit para calcular la probabilidad de reemplearse,
mientras Canziani y Petrongolo (2001) utilizan un modelo de duración para obtener el
período de desempleo esperado.
c) Selección Adversa: influencia del intermediario.
Genesove (1993), Greenwald y Glasspiegel (1983) y Chezum y Wimmer (1997) son sólo
algunos ejemplos de los muchos papers donde se testea la importancia del intermediario a la
hora de generar una señal positiva o negativa acerca de la calidad de un producto. Este
fenómeno ocurriría en mercados tan distintos como el de los autos usados, los esclavos en
Estados Unidos durante el siglo XIX, y las apuestas de caballos, respectivamente. Pese a que
presentan distintos modelos teóricos, estos trabajos comparten una misma idea económica
subyacente13. A grandes rasgos se distinguen dos tipos de intermediarios: unos caracterizados
por vender bienes “nuevos” (o de mayor calidad esperada) y otros por vender bienes “nuevos”
y “usados” (o de menor calidad esperada). La hipótesis de todos estos estudios es que,
controlando por las de características físicas del bien en cuestión, serán los bienes vendidos a
través del intermediario de bienes “nuevos” los que obtengan un mayor precio de venta. En
esta rama de la literatura se suele testear esta hipótesis estimando una regresión del tipo:
13 Aquí se resumirá lo presentado por Genesove (1993), cuyo argumento de fondo es muy similar al de los otros
dos papers.
13
iiii ZDP 210 **
donde iP es el precio de venta, iD es una variable dummy que toma el valor 1 si es que el bien
fue vendido a través de un determinado intermediador y iZ son las características físicas de
bien.
d) Evaluación de Instituciones de Intermediación Laboral: Marco Analítico.
Como parte de la conferencia “Studies of Labor Intermediation”, desarrollada por el NBER en
2007, David Autor (2008) desarrolla un marco conceptual para analizar el rol que juegan en el
mercado las instituciones de Intermediación Laboral. Ya nos referimos a este trabajo en la
sección II de este informe. Sólo recordaremos de él que las principales desviaciones del
mercado laboral respecto de un mercado competitivo son:
i. Información Costosa.
ii. Selección Adversa.
iii. Fallas en la Acción Colectiva.
e) Evaluación de Instituciones de Intermediación Laboral: Sesgo de Selección.
Kuhn y Skuterud (2004), Addison y Portugal (2001) y Barbieri, Gennari y Sestito (2002)
constituyen algunos ejemplos de la evaluación económica que distintos estudios han hecho de
instituciones o métodos de Intermediación Laboral en Estados Unidos y Europa. Mientras
Kuhn y Skuterud (2004) evalúa el impacto de la búsqueda de trabajo a través de internet,
Addison y Portugal (2001) y Barbieri, Gennari y Sestito (2002) comparan el desempeño de la
Intermediación Pública con otras formas de búsqueda de empleo. En todos ellos se usan datos
de panel. Los tres estudios coinciden en realizar su evaluación a partir del outcome
“probabilidad de reemplearse.” Sólo Addison y Portugal (2001) incorporan un análisis
adicional donde el outcome es el salario obtenido. En estos tres papers, las instituciones o los
métodos de Intermediación Laboral evaluados resultan ser contraproductivos, es decir,
disminuyen la probabilidad de reemplearse o el salario al que se accede.
Más allá de las distintas instituciones evaluadas, hay que consignar que en los tres estudios se
considera que hay mecanismos de selección que pueden estar detrás de estos resultados. Es
decir, que sean las personas más propensas a tener una mayor duración esperada del
desempleo o un menor salario (debido a sus características observables y no observables) las
14
que acuden en mayor magnitud a estos tipos de Intermediarios Laborales. De esta manera, el
menor desempeño relativo de estas instituciones no sería causado por su mala gestión, sino
por el pool de trabajadores a los que ellos tienen acceso. Pese a que los tres papers hacen
mención del posible sesgo de selección, sólo Barbieri, Gennari y Sestito (2002) buscan aislarlo
usando técnicas econométricas propias de la literatura de efecto tratamiento. En este estudio
el tratamiento recibido es “Enrolarse en una Agencia Pública de Intermediación Laboral.” Para
controlar la selección basada en variables observables usa matching. Para controlar por
selección basada en variables no observables usa variables instrumentales.
V. Pregunta de Investigación
¿Qué aprendimos en la sección anterior? Se refuerzan las ideas planteadas a partir de la
sección II. Es decir, un intermediario puede generar un efecto sobre el mercado en el que
actúa, en la medida de que este presente algunas fallas. En la rama c) de la literatura se habló
fundamentalmente de Selección Adversa, pero ello no invalida las otras fallas a las que se
refiere Autor (2008) para el caso del mercado laboral. Si nos apoyamos en los hechos
descritos en la sección anterior, podemos pensar que las OMIL imponen un efecto negativo
sobre los trabajadores intermediados por ella, afectándolos en su salario o en algún otro
resultado. Su imagen como oficina de apoyo social puede contribuir a explicar este hecho.
La sección anterior además nos muestra algunos procedimientos útiles para responder la
pregunta ya enunciada: ¿Las OMIL generan algún efecto en el mercado laboral? Se han
utilizado datos de panel acerca de transiciones laborales [ramas e) y b) de la literatura] y
datos de corte transversal o panel acerca de precios y características de los bienes transados
en un determinados mercado [rama c) de la literatura] Para el caso del mercado laboral que
aquí estamos analizando, sólo contamos con datos de corte transversal acerca de precios
(salarios) y características observables de los trabajadores empleados en el momento del
muestreo14. Es por eso que en nuestra investigación se estimará la diferencia marginal que
genera en el salario la obtención de un empleo a través de un OMIL. Sin embargo, existe la
posibilidad de que tal “efecto OMIL” esté influenciado en algún grado por un mecanismo de
14 Los datos serán descritos en detalle en la sección VIII
15
selección, basado en variables observables y/o no observables. Es por eso que resultan útiles
los ejemplos presentados en la rama e) de la literatura.
Es así como se configura el objetivo de esta investigación: Evaluar el efecto que las Oficinas
Municipales de Intermediación Laboral tienen sobre el Mercado Laboral a través de la
estimación de la diferencia marginal que genera en el salario la obtención de un empleo a través
de una Oficina Municipal de Intermediación Laboral (OMIL), utilizando un enfoque
econométrico de efecto tratamiento.
En esta investigación, el tratamiento recibido será “Obtener empleo a través de un Oficina
Municipal de Intermediación Laboral.”
VI. Metodología
En este trabajo seguiremos algunos de los procedimientos presentados en la revisión de la
literatura previa, además de otros sugeridos por la teoría econométrica vinculada a la
estimación de efectos tratamiento. En particular nuestras estimaciones pueden dividirse en
tres grupos (el detalle de las variables utilizadas se presentará en la sección VIII):
i. Mínimos Cuadrados Ordinarios: como en los trabajos citados en la rama c) de la
literatura, se estimará el cambio marginal en el salario asociado a la
intermediación por parte de la OMIL a través de una regresión OLS del tipo:
iiii ZDY 210 **
donde iD corresponde a una serie de variables dummies, que señalan a cada una
de las formas de intermediación laboral que son identificadas en nuestros datos15
16; una de las cuales representa el tratamiento abordado en esta investigación:
“Obtener empleo a través de un Oficina Municipal de Intermediación Laboral.” En
iZ se utilizarán algunas de las variables control que ha utilizado la literatura
15 Se omite una de ellas para evitar colinealidad perfecta.
16 Las formas de intermediación laboral identificadas en nuestros datos, serán detalladas en la sección VIII.
16
relacionada17. El outcome iY , corresponde al logaritmo del salario por hora de los
individuos empleados en el momento del muestreo.
ii. Selección en Observables: Rosembaum y Rubin (1983) incorporaron en la literatura
el concepto de Ignorabilidad del Tratamiento, llamado también Selección en
Observables. Según este supuesto, controlando por variables observables, la
asignación del tratamiento es independiente del nivel del “outcome”, del nivel de la
variable dependiente. En nuestra investigación, aplicar este supuesto significa que
el efecto de la intermediación por parte de la OMIL, controlando por variables
observables, es independiente del nivel de salario del individuo intermediado.
Imponiendo este supuesto, estimaremos el efecto marginal que genera en el
salario la intermediación por parte de la OMIL a través del método de matching
inexacto del vecino más cercano18.
iii. Selección en No Observables: como lo recomienda Wooldridge (2002), para
incorporar la presencia de elementos no observables dentro del mecanismo de
selección se utilizará el marco del modelo Heckit de dos etapas. En la primera de
ellas se estimará la probabilidad de ser intermediado por una OMIL, a través de un
modelo probit:
420 **,/1 iiiii EZEZDP
agregando a las variables control iZ ya mencionadas varias fuentes de variación
exógena (a nivel del individuo) iE .
En la segunda etapa se estima una regresión OLS del tipo
que incluye las variables control iZ y el inverso de la razón de Mills
420 **ˆ ii EZ estimado en la primera etapa.
17 Específicamente, son Canziani y Petrongolo (2001), Kugler y Saint Paul (2004), Kuhn y Skuterud (2004) y
Addison y Portugal (2001) los trabajos a los que me refiero en esta ocasión.
18 Procedimiento recomendado por Imbens y Wooldridge (2007) Lecture Notes 1.
iiiiii EZZDY 3420210 ***ˆ**
17
VII. Apuntes Econométricos
Algunas características de los estimadores propuestos en la sección VI son:
Mínimos Cuadrados Ordinarios v/s Matching:
La diferencia entre la Estimación de Mínimos Cuadrados Ordinarios y los Estimadores
basados en el Propensity Score19 (Matching) estriba en la forma de ponderar a los distintos
individuos a la hora de calcular el Efecto Promedio del Tratamiento “Obtener empleo a través
de un Oficina Municipal de Intermediación Laboral” en la Población (llamado Average
Treatment Effect {ATE} en la literatura de efecto tratamiento).
El estimador de Mínimos Cuadrados Ordinarios puede ser expresado de la siguiente manera20:
iD
iDOLS
ZE
ZEi
2
1
2
1
Es decir, pondera más a aquellos grupos que tienen más varianza. En este caso, como el
tratamiento es binario: iiiiiiD ZpZpZDPZDP 1/11/12
Con lo que obtenemos:
Z
iii
Z
iiizOLS
zZPZpZp
zZPZpZp
1
1
1
Donde la ponderación se maximiza cuando 5,0iZp , es decir, la mayor ponderación se la
llevan aquellos grupos con la misma cantidad de tratados y no tratados, es decir, con la misma
cantidad de intermediados y no intermediados por una OMIL. Esto implica, por lo tanto, que
grupos con minoría de intermediados por una OMIL (ej.: personas con alto nivel de
escolaridad) y grupos con mayoría de intermediados por una OMIL (ej.: personas con bajo
nivel de escolaridad) sean poco ponderados.
En cambio, el estimador de la familia Propensity Score21 puede ser expresado de la siguiente
manera:
19 La probabilidad de ser intermediado por una OMIL.
20 Angrist y Pischke (2009) citado en las clases de Teoría Econométrica II de Francisco Gallego en el Instituto de
Economía, PUC Chile.
21 En este caso, un Estimador de Matching Exacto.
18
Z
iii
Z
iiizMatching
zZPzZDP
zZPzZDP
/1
/1
1
es decir, pondera más a los grupos que tienen una mayor probabilidad de ser tratados, dadas
las variables de control. Esto implica que los grupos con minoría de intermediados por una
OMIL (ej.: personas con alto nivel de escolaridad) serán poco ponderados, mientras los grupos
con mayoría de intermediados por una OMIL (ej.: personas con bajo nivel de escolaridad)
serán muy ponderados.
Esto hace que, dentro de esta comparación, sea la familia de Propensity Score la que estime de
manera menos sesgada el efecto del tratamiento aquí analizado, considerando que los
intermediados por las OMIL suelen ser personas con baja calificación. Estos estimadores
ponderan más a las personas que, dadas sus características observables, tienen mayor
probabilidad de ser intermediados por una OMIL.
Heckit:
Es recomendado22 para incorporar dentro de la estimación de Efecto Tratamiento un
mecanismo de selección en variables no-observables. La razón de Mills ̂ incorporada en
la segunda etapa permite aislar el sesgo de selección, haciendo que 1 sea estimado
insesgadamente. Sin embargo, la mera inclusión de la razón de Mills en la segunda etapa de la
estimación sólo nos permite identificar el sesgo de selección23 y estimar el Efecto Tratamiento
basados en la forma funcional de ̂ . Es por eso que, para lograr aislar los elementos no-
observables que pueden estar detrás del mecanismo de selección, se recomienda incluir en la
primera etapa alguna variable que esté relacionada con la participación en el tratamiento,
pero no con el outcome. Es por eso que se incluyeron en la estimación las variables iE ya
mencionadas en la sección VI.
22 Wooldridge (2002)
23 Para comprobarlo se recomienda testear la hipótesis nula de que no hay sesgo de selección: Ho: 0ˆ
19
VIII. Datos
Para desarrollar esta investigación se utilizan datos de la Encuesta CASEN de Corte
Transversal (2006). De allí se obtuvo nuestro outcome iY , nuestras variables control iZ y
nuestras variables exógenas iE , las que son detalladas a continuación:
Outcome ( iY ): se utilizó el logaritmo del ingreso del trabajo por hora, medido en pesos de
noviembre de 2006. Se ha optado por esta medida de ingresos porque es la que mejor
refleja el salario obtenido por las personas empleadas en el momento del muestreo. Otras
medidas de ingreso24, como el ingreso autónomo o el ingreso monetario, incluyen otras
fuentes de ingreso que escapan al salario obtenido en el mercado del trabajo25. Se utilizan
los ingresos por hora para aislar el efecto que el tipo de jornada (completa o parcial) tiene
en el ingreso del trabajo. Se aplica la función logaritmo natural para prevenir problemas
de heterocedasticidad26,
Es conveniente mencionar además, que el Ingreso del Trabajo reportado por los
entrevistados por la encuesta CASEN pasa por un proceso de ajuste antes de ser liberado
para uso público. Se trata de un ajuste a través de las cuentas nacionales del Banco Central
de Chile que puede hacer que los datos utilizados por esta investigación difieran de los
efectivos. Si el error de medición es del tipo clásico27, las estimaciones serán insesgadas,
pero ineficientes. Si el error de medición no es clásico, se tendrán estimadores sesgados.
Dummies de Intermediación Laboral iD : ellas provienen de la pregunta 18 del Módulo de
Empleo de la Encuesta CASEN:
Además de su propio esfuerzo, ¿Gracias a quién o quienes cree usted que consiguió su
actual empleo?
1. Familiares.
2. Amigos o Vecinos.
24 Detalladas en http://www.mideplan.cl/casen/pdf/Metodologia_%202003.pdf
25 El ingreso autónomo incluye, además del ingreso del trabajo, una serie de rentas del capital, y el ingreso
monetario, además del ingreso autónomo, incluye subsidios del estado.
26 De todas formas, en este trabajo se estiman varianzas robustas a heterocedasticidad y autocorrelación.
27 Con esperanza igual a cero.
20
3. Ex Compañeros de Trabajo.
4. Ex Empleadores.
5. Oficinas Municipales de Intermediación Laboral (OMIL).
6. Al Programa PUENTE o a su Apoyo Familiar.
7. Agencias Privadas de Empleo.
8. A la institución en que estudió o se capacitó.
9. Decidió trabajar por su cuenta (emprendió actividad independiente).
10. Bolsa de Empleo en Internet.
11. Al Municipio.
12. Otro.
De ellas, es la alternativa nº5 la que representa el tratamiento en el que se centra nuestro
trabajo: “Obtener empleo a través de un Oficina Municipal de Intermediación Laboral”. El
resto de las alternativas son representadas a través de variables dummy, a excepción de:
Otro: Es la categoría omitida para evitar colinealidad perfecta.
Decidió trabajar por su cuenta (emprendió actividad independiente): los ingresos
de los trabajadores independientes son determinados por variables que escapan a
las variables control que más adelante detallaremos28. Es por eso que tales
observaciones han sido eliminadas de nuestra estimación.
Variables Control ( iZ ):
Escolaridad: medida en años. Somos conscientes de que diferencias en la calidad
de la educación harán de esta variable una forma inexacta de medir el capital
humano de los individuos observados. Si el error de medición es de tipo clásico,
por ejemplo, el estimador de esta variable sufrirá un sesgo de atenuación que hará
caer su valor absoluto.
Experiencia Potencial: medida en años. Edad menos Escolaridad menos 6 años.
Esta es sólo una variable proxy de los años de Experiencia Laboral efectiva. La
definición de esta variable supone implícitamente que se ha trabajado
ininterrumpidamente desde el momento en que se dejó la educación formal. El
28 Escolaridad, Experiencia Potencial, etc.
21
error de medición puede llevar a que el estimador de esta variable esté sesgado.29
A propósito de este punto, es conveniente mencionar que tampoco fueron
consideradas en la muestra las observaciones correspondientes a mujeres. Ello
porque la literatura económica ha documentado que las dinámicas de empleo de
las mujeres están influenciadas por elementos muy distintos a las de los hombres.
Por ej. : la maternidad.
Experiencia al Cuadrado: medida en años al cuadrado. Se incluye esta variable
como una forma de capturar el descenso que se produce en los ingresos a partir de
una determinada edad en el ciclo de vida laboral.
Región: cada una de las regiones de Chile será representada a través de una
variable dummy, omitiendo la Región Metropolitana para evitar colinealidad
perfecta. Se incluyen estas variables pues se espera que los salarios por hora
varíen según el costo de vida y el nivel de actividad regional.
Rural: variable dummy que toma el valor 1 si el individuo reside en el área rural.
Sector Productivo: cada rama de la actividad económica será representada a
través de una variable dummy. Los sectores productivos son:
1. Actividades no bien especificadas.
2. Agricultura, Caza y Silvicultura.
3. Explotación de Minas y Canteras.
4. Industrias Manufactureras.
5. Electricidad, Gas y Agua.
6. Construcción.
7. Comercio mayor y menor. Restoranes y Hoteles.
8. Transporte y Comunicaciones.
9. Establecimientos Financieros y Seguros.
10. Servicios Comunales y Sociales,
Aquí se omitiremos al sector Agricultura, Caza y Silviculturas.
Contrato: variable dummy que toma el valor 1 cuando el trabajo actual tiene
contrato de trabajo.
Plazo Indefinido: variable dummy que toma el valor 1 cuando la relación
contractual es de Plazo Indefinido.
29 Sesgo de Atenuación si el error es clásico.
22
Las últimas tres variables pretenden aislar los efectos que distintos aspectos de la
actividad laboral generan en los ingresos del trabajo por hora.
Tamaño de la Empresa: una de las posibles explicaciones de los resultados que
obtuvimos es que el tipo de empresas que acuden a las OMIL son distintas a las
empresas que reclutan trabajadores a través de otras formas de intermediación
laboral (ver sección X) Es por eso que incluimos como variable control a la única
forma de caracterizar a la empresa30 que está presente en la encuesta CASEN.
Incluimos un grupo de variables dummy que representan a cada una de las
posibles respuestas a la pregunta 13 del Módulo de Empleo de la Encuesta CASEN:
¿Cuántas personas trabajan en total (en Chile) en la empresa que usted trabaja?
a) Una persona.
b) 2 a 5 personas.
c) 6 a 9 personas.
d) 10 a 40 personas.
e) 50 a 199 personas.
f) 200 o más personas.
Donde omitimos la dummy correspondiente a la respuesta “Una persona”.
Variables Exógenas para el Individuo ( iE ): variables correlacionadas con la probabilidad
de ser intermediado por una OMIL, pero no correlacionadas con el ingreso del trabajo por
hora.
Cónyuge que Trabaja: variable dummy que toma el valor 1 si es que el cónyuge del
individuo observado obtiene algún ingreso adicional. Esta variable fue incluida
pues existe la posibilidad de que un segundo ingreso en el núcleo familiar haga
cambiar la probabilidad de que un individuo recurra a los servicios de una OMIL.
Se espera que el ser o no el único ingreso del trabajo del núcleo familiar cambie la
probabilidad de recibir el tratamiento especificado en esta investigación, sin que
ello necesariamente determine un cambio en el ingreso del trabajo.
Gasto Municipal por Habitante: otra de las posibles explicaciones de nuestros
resultados, es que la gestión de las OMIL es un determinante de los salarios
30 De caracterizar a las empresas en que están trabajando los individuos encuestados por CASEN.
23
obtenidos por sus intermediados (ver sección X) Es por eso que incluimos, como
variable proxy de la gestión de la OMIL de cada comuna, el Gasto Municipal por
Habitante, medido en miles de pesos por habitante de noviembre de 200631. Como
las demás variables exógenas, suponemos que esta variable está correlacionada
con la probabilidad de ser intermediado por una OMIL y no correlacionado con el
ingreso del trabajo por hora. Una OMIL con mejor gestión tiene mayor capacidad
para atender personas y, eventualmente, un mejor desempeño que atraerá a más
personas que busquen allí los servicios de intermediación laboral.
Esta es la única variable cuyos datos no provienen de la encuesta CASEN. Ellos
fueron obtenidos del Sistema Nacional de Información Municipal (SINIM)32
Índices de Desarrollo Comunal: se espera que la probabilidad de ser intermediado
por una OMIL esté correlacionada con el grado de desarrollo de la comuna; que
comunas más desarrolladas cuenten con una mayor variedad de instancias de
intermediación laboral, lo que haga menos probable que recurran a las OMIL. Aquí
el desarrollo comunal está caracterizado a través de cuatro variables: los
porcentajes comunales de hogares que cuentan con Agua Potable, Alcantarillado y
Electricidad, además del Logaritmo del Ingreso Autónomo Promedio Comunal.
Presencia de OMIL en la comuna: variable dummy que toma el valor 1 si es que la
comuna en que vive el individuo cuenta con una OMIL33. Si ello no es así, los
trabajadores tendrán que desplazarse a otra comuna para recibir el servicio de
una OMIL, lo que suponemos que hará disminuir la probabilidad de que sea
intermediado por una OMIL, sin que ello determine necesariamente el nivel de su
ingreso del trabajo por hora.
Al caracterizar las variables control de los individuos entrevistados por CASEN, ordenándolos
de acuerdo al método de intermediación laboral que utilizaron obtenemos:
31 También se estimaron los resultados con otras medidas más específicas vinculadas al Gasto Municipal, como el
Gasto Corriente (Gasto en Personal más Gasto en Bienes y Servicios más Transferencias) y el Gasto en Personal. Los
resultados obtenidos con ellos son similares a las estimaciones realizadas con la variable Gasto Municipal.
32 http://www.sinim.cl
33 Más específicamente, si la comuna cuenta con una OMIL en el año 2006 al cual pertenecen los datos de la
Encuesta CASEN.
1838.1 1323.8 1705.2 1425.7 1145.1 1274.0 2211.6 2979.4 3155.2 2721.7 1676.9 2112.4
(44.4) (16.3) (47.6) (40.7) (46.9) (209.6) (189.5) (149.6) (79.1) (277.9) (86.5) (46.4)
9 8.9 9.7 8.5 9.1 7.9 12.1 13.8 8.7 13.4 10.3 10.1
(0.03) (0.028) (0.093) (0.07) (0.2) (0.66) (0.212) (0.09) (0.04) (0.235) (0.2) (0.035)
25.2 24.2 26.7 28.4 26.3 26.0 20.0 14.8 32.9 14.5 28.5 25.0
(0.13) (0.109) (0.315) (0.27) (0.76) (2.23) (0.82) (0.39) (0.163) (0.895) (0.66) (0)
0.46 0.410 0.276 0.460 0.251 0.146 0.120 0.160 0.429 0.090 0.289 0.332
(0.004) (0.003) (0.01) (0.009) (0.02) (0.056) (0.02) (0.011) (0.005) (0.02) (0.019) (0.004)
0.513 0.657 0.786 0.766 0.834 0.512 0.855 0.830 0.122 0.862 0.845 0.704
(0.004) (0.003) (0.009) (0.007) (0.017) (0.079) (0.023) (0.012) (0.003) (0.027) (0.015) (0.004)
0.388 0.451 0.533 0.546 0.430 0.317 0.636 0.720 0.100 0.725 0.564 0.536
(0.004) (0.003) (0.011) (0.009) (0.02) (0.074) (0.03) (0.01) (0.003) (0.035) (0.02) (0.004)
N° Observaciones 15196 18850 1915 3038 446 41 242 1027 9811 160 543 13562
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
Contrato
Plazo Indefinido
Covariables
Ingreso del Trabajo por
Hora ($/hora)
Escolaridad (años)
Experiencia (años)
Rural
Agencia
Privada
Institución
de Estudios
Trabajo
Independiente
Bolsa de Empleo
en InternetMunicipio Otro
Tabla 2: Estadísticas Descriptivas
Variables según Forma de Intermediación Laboral, para Hombres
FamiliaresAmigos o
Vecinos
Ex Comp. De
Trabajo
Ex
EmpleadorOMIL
Programa
Puente
1577.2 1239.2 1565.8 1162.9 1048.4 1217.2 1421.6 2343.7 2721.5 1876.1 1583.4 1718.5
(51.7) (27.4) (78.4) (43.1) (40.1) (154.1) (87.3) (158) (135.2) (198.2) (56.5) (31.7)
10.1 10.2 11.8 9.6 10.3 7.9 11.8 14.1 9.6 14.1 12.0 11.5
(0.05) (0.039) (0.152) (0.11) (0.19) (0.39) (0.22) (0.09) (0.06) (0.236) (0.17) (0.046)
23.8 21.9 19.8 25.1 22.8 27.2 18.6 14.7 30.1 9.5 22.9 21.3
(0.18) (0.147) (0.489) (0.42) (0.65) (1.4) (0.85) (0.44) (0.23) (0.83) (0.54) (0.16)
0.322 0.284 0.234 0.321 0.236 0.300 0.153 0.160 0.294 0.080 0.309 0.243
(0.006) (0.005) (0.017) (0.014) (0.02) (0.049) (0.02) (0.012) (0.007) (0.023) (0.018) (0.005)
0.495 0.622 0.832 0.712 0.813 0.344 0.807 0.815 0.144 0.867 0.831 0.699
(0.006) (0.005) (0.015) (0.013) (0.018) (0.05) (0.025) (0.013) (0.005) (0.029) (0.015) (0.005)
0.426 0.496 0.586 0.521 0.403 0.178 0.807 0.653 0.122 0.628 0.513 0.558
(0.006) (0.005) (0.019) (0.015) (0.02) (0.04) (0.025) (0.016) (0.005) (0.041) (0.02) (0.006)
N° Observaciones 7023 9033 655 1179 466 90 249 881 4692 137 628 7438
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
Plazo Indefinido
Ingreso del Trabajo por
Hora ($/hora)
Escolaridad (años)
Experiencia (años)
Rural
Contrato
Institución
de Estudios
Trabajo
Independiente
Bolsa de Empleo
en InternetMunicipio Otro
Covariables
Tabla 3: Estadísticas Descriptivas
Variables según Forma de Intermediación Laboral, para Mujeres.
FamiliaresAmigos o
Vecinos
Ex Comp. De
Trabajo
Ex
EmpleadorOMIL
Programa
Puente
Agencia
Privada
En primer lugar nos referiremos a las diferencias de covariables que existen entre hombres y
mujeres que obtienen Ingresos del Trabajo34. Si bien es cierto que, estadísticamente
hablando35, hombres y mujeres difieren en todas las variables aquí presentadas36, al ordenar
las observaciones de acuerdo al método de intermediación que utilizaron (como se hace en las
tablas 2 y 3), hombres y mujeres difieren o tienen las mismas medias que las personas de su
mismo sexo que utilizaron otros métodos de intermediación laboral. Tanto hombres como
mujeres que utilizaron OMIL tienen un menor Ingreso del Trabajo por hora y porcentaje de
residencia en área Rural; un mayor porcentaje de trabajo con Contrato; e igual nivel de
Escolaridad, años de Experiencia Potencial y relación contractual de Plazo Indefinido que las
personas de su mismo sexo que utilizan otras formas de intermediación laboral37. Esta
similitud entre hombres y mujeres nos hace suponer que eliminar de la muestra a estas
últimas no debiera sesgar nuestros estimadores. Ahora bien, es conveniente recalcar que en
nuestra muestra observamos que OMIL es el método de intermediación con menor Ingreso
del Trabajo por Hora, pero no presenta el máximo y el mínimo de ninguna de las otras
variables aquí presentadas38.
34 Que contestan la pregunta 18 del Módulo de Empleo de la Encuesta CASEN.
35 Test de Medias
36 Los hombres presentan un mayor Ingreso del Trabajo por Hora, Experiencia Potencial, residencia en Área Rural
y Contrato de Trabajo. Las mujeres presentan mayor Escolaridad y mayor relación contractual a Plazo Indefinido.
37 Estadísticamente hablando: Test de Medias.
38 Las estadísticas descriptivas completas de la muestra utilizada en nuestras estimaciones, son presentadas en el
Anexo Nº1.
IX. Resultados.
-0.237*** -0.112 -0.23***
(0.029) (0.029)
-0.114**
(0.049)
-0.112
0.093*** 0.073***
(0.001) (0.002)
0.025*** 0.024***
(0.0007) (0.0007)
-0.0002*** -0.0002***
(0) (0)
-0.084*** 0.107***
(0.0086) (0.017)
0.04*** -0.123
(0.007) (0.015)
-0.007 -0.058***
(0.008) (0.009)
0.537***
(0.042)
0.014 0.015
(0.009) (0.009)
-0.1*** -0.103***
(0.008) (0.008)
-0.008 -0.011
(0.016) (0.016)
-0.044*** -0.045***
(0.013) (0.013)
-0.15 -0.15
(0.112) (0.11)
-0.041 -0.044
(0.05) (0.05)
0.163*** 0.164***
(0.023) (0.023)
0.144** 0.141**
(0.061) (0.061)
-0.095*** -0.081***
(0.028) (0.028)
Variable Dependiente: Logaritmo del Ingreso del Trabajo
por hora.
Agencias Privadas
Institución en la que
estudió
Bolsa de Empleo en
Internet
Municipio
Otras Formas de Intermediación
Familiares
Amigos
Ex compañeros de
trabajo
Ex empleadores
Programa Puente
Experiencia al
Cuadrado
Contrato
Plazo Indefinido
Rural
Propensity Score
Inv. Mills (sesgo de
selección)
Escolaridad
Experiencia
OMIL
ATE
ATT
ATU
Tabla 4: Estimaciones
OLS Matching HeckitCovariables
27
-0.008
(0.045)
0.0002
(0.0002)
-0.238
(0.24)
-0.187
(0.172)
-0.151
(0.123)
-0.159**
(0.076)
0.105**
(0.053)
R-Cuadrado 0.23 - 0.23
Pseudo R-Cuadrado - 0.129 0.134
N° Observaciones 54900 54900 54900
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
No se incluyeron en esta tabla las variables dummy que representan las
regiones de Chile (ver anexo), ni las que representan a la cantidad de
trabajadore de la empresa, ni las que representan a los sectores productivos.
*Significativo al 10%
**Significativo al 5%
***Significativo al 1%
Ingreso Autónomo
Promedio Comunal
Presencia de OMIL
en la Comuna
Variable Dependiente: Logaritmo del Ingreso del Trabajo
por hora.
PRIMERA ETAPA
Cónyuge Trabaja
Gasto Municipal por
Habitante
Luz
Agua
Alcantarillado
OLS Matching HeckitCovariables
Tabla 4 (cont.): Estimaciones.
En general se observa un efecto persistente negativo de la intermediación por parte de la
OMIL sobre el ingreso del trabajo por hora. Sin embargo la estimación de tipo Matching
reduce el valor absoluto del estimador, lo que da cuenta de un sesgo de selección en variables
observables. También se rechaza la hipótesis de no selección en variables no observables pues
el Inverso de la Razón de Mills en la estimación Heckit es significativo. Ello ocurre pese a que
sólo algunas de las variables exógenas ( iE ) son significativas39, lo cual ocurre porque la
39 El Ingreso Autónomo Promedio Comunal y la Presencia de OMIL en la Comuna aumentan y reducen,
respectivamente, la probabilidad de ser Intermediado por una OMIL, en línea con nuestras suposiciones.
28
identificación del sesgo de selección (controlado a través de ̂ ) ocurre tanto por la
inclusión de variables exógenas como por la forma funcional del Inverso de la Razón de Mills.
También es conveniente remarcar que las variables control en su mayoría presentan los
signos esperados (sólo llama la atención el cambio de signo de la variable Contrato al pasar de
Mínimos Cuadrados Ordinarios a Heckit). Por otra parte al revisar los estimadores de las otras
formas de Intermediación, apreciamos que sólo algunos de ellos presentan un efecto
significativo sobre el ingreso del trabajo por hora lo que, en línea con el desarrollo teórico de
secciones anteriores, nos lleva a afirmar que sólo algunas formas de intermediación tienen
efecto sobre el mercado laboral.
Como un segundo paso dentro de nuestras estimaciones, testeamos la presencia de cambio
estructural para los individuos que presentan distintos niveles de escolaridad (Educación
Básica, Media y Universitaria). El test de Chow respectivo arrojó:
F-statistic 3314441 Probability 0
Log likelihood ratio 2785273 Probability 0
Fuente: Elaboración propia a partir de datos Encuesta CASEN 2006
Tabla 5: Test de Chow
Hipótesis Nula: Educ. Media = Educ. Media =Educ.
Universitaria
Con lo que se rechaza la Hipótesis Nula de que no hay Cambio Estructural entre las
observaciones con distintos nivel de escolaridad. Es por eso que realizamos estimaciones
separadas para la Educación Básica, Media y Universitaria, las que presentamos a
continuación:
29
-0.172*** -0.197*** -0.368*** -0.237***
(0.046) (0.036) (0.094) (0.029)
0.04*** 0.084*** 0.209*** 0.093***
(0.002) (0.005) (0.006) (0.001)
0.018*** 0.026*** 0.044*** 0.025***
(0.001) (0.001) (0.003) (0.0007)
-0.0002*** -0.0003*** -0.0006*** -0.0002***
(0) (0) (0) (0)
0.004 -0.098*** -0.25*** -0.084***
(0.012) (0.013) (0.033) (0.0086)
0.044*** 0.05*** 0.012 0.04***
(0.01) (0.01) (0.023) (0.007)
-0.03*** -0.019* 0.094*** -0.0075
(0.01) (0.011) (0.029) (0.008)
0.058*** 0.035** -0.053* 0.014
(0.015) (0.013) (0.028) (0.009)
-0.065*** -0.089*** -0.168*** -0.103***
(0.013) (0.012) (0.024) (0.008)
-0.038 0.028 0.019 0.008
(0.024) (0.022) (0.041) (0.016)
-0.03* -0.02 -0.008 -0.044***
(0.018) (0.02) (0.047) (0.013)
-0.189 -0.207 0.155 -0.149
(0.161) (0.185) (0.211) (0.112)
-0.178 -0.062 -0.004 -0.041
(0.13) (0.064) (0.083) (0.05)
0.091 0.124*** 0.047 0.163***
(0.119) (0.031) (0.035) (0.023)
0.704*** 0.095 -0.023 0.144**
(0.243) (0.085) (0.091) (0.062)
-0.007 -0.142*** -0.11* -0.095***
(0.045) (0.039) (0.059) (0.028)
Educación
Universitaria
Modelo
CompletoCovariables
Experiencia
Experiencia al Cuadrado
Contrato
Plazo Indefinido
Tabla 6. Estimaciones: OLS separado por Nivel de Estudios
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora.
Educación
Básica
Educación
Media
Escolaridad
OMIL
ATE
ATT
ATU
Rural
Propensity Score
Inv. Mills (sesgo de
selección)
Ex empleadores
Programa Puente
Agencias Privadas
Institución en la que
estudió
Otras Formas de Intermediación
Familiares
Bolsa de Empleo en Internet
Municipio
Amigos
Ex compañeros de trabajo
30
R-Cuadrado 0.09 0.14 0.29 0.23
Pseudo R-Cuadrado - - - -
N° Observaciones 24022 23427 7451 54900
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
No se incluyeron en esta tabla las variables dummy que representan las regiones de Chile (ver anexo), ni las
que representan a la cantidad de trabajadores de la empresa, ni las que representan a los sectores productivos.
*Significativo al 10%
**Significativo al 5%
***Significativo al 1%
Tabla 6 (cont.) Estimaciones: OLS separado por Nivel de Estudios
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora
Educación
Básica
Educación
Media
Educación
Universitaria
Modelo
CompletoCovariables
-0.066 -0.128 -0.901 -0.112
-0.162*** -0.216*** -0.182 -0.114**
(0.061) (0.058) (0.154) (0.049)
-0.066 -0.127 -0.906 -0.112ATU
OMIL
ATE
ATT
Educación
Universitaria
Modelo
CompletoCovariables
Tabla 7. Estimaciones: Matching separado por Nivel de Estudios
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora.
Educación
Básica
Educación
Media
R-Cuadrado - - - -
Pseudo R-Cuadrado 0.21 0.1 0.12 0.129
N° Observaciones 23957 23427 7139 54900
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
No se incluyeron en esta tabla las variables dummy que representan las regiones de Chile (ver anexo), ni las
que representan a la cantidad de trabajadores de la empresa, ni las que representan a los sectores productivos.
*Significativo al 10%
**Significativo al 5%
***Significativo al 1%
31
-0.161*** -0.194*** -0.354*** -0.23***
(0.047) (0.04) (0.095) (0.029)
0.032*** 0.056*** 0.205*** 0.073***
(0.003) (0.007) (0.006) (0.002)
0.014*** 0.026*** 0.046*** 0.024***
(0.001) (0.001) (0.003) (0.0007)
-0.0001*** -0.0003*** -0.0007*** -0.0002***
(0) (0) (0) (0)
0.135*** 0.038 -0.151*** 0.107***
(0.02) (0.028) (0.044) (0.017)
-0.083*** -0.06*** -0.076** -0.123
(0.019) (0.023) (0.035) (0.015)
-0.036*** -0.142*** 0.11*** -0.058***
(0.01) (0.025) (0.03) (0.009)
0.326*** 0.485*** 0.231*** 0.537***
(0.04) (0.088) (0.073) (0.042)
0.057*** 0.035*** -0.056** 0.015
(0.015) (0.013) (0.028) (0.009)
-0.067*** -0.087*** -0.168*** -0.103***
(0.013) (0.012) (0.025) (0.008)
-0.042* 0.027 -0.014 -0.011
(0.024) (0.022) (0.041) (0.016)
-0.034* -0.021 0.003 -0.045***
(0.018) (0.02) (0.047) (0.013)
-0.182 -0.194 0.143 -0.15
(0.162) (0.181) (0.214) (0.11)
-0.179 -0.061 -0.011 -0.044
(0.132) (0.063) (0.083) (0.05)
0.09 0.126*** 0.049 0.164***
(0.118) (0.031) (0.036) (0.023)
0.716*** 0.101 -0.019 0.141**
(0.248) (0.085) (0.093) (0.061)
-0.003 -0.131*** -0.099* -0.081***(0.045) (0.04) (0.06) (0.028)
Tabla 8. Estimaciones: Heckit separado por Nivel de Estudios
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora.
Educación
Básica
Educación
Media
Educación
UniversitariaModelo Completo
Covariables
OMIL
ATE
ATT
ATU
Escolaridad
Experiencia
Experiencia al Cuadrado
Contrato
Plazo Indefinido
Rural
Propensity Score
Inv. Mills (sesgo de
selección)
Otras Formas de Intermediación
Familiares
Amigos
Ex compañeros de trabajo
Ex empleadores
Programa Puente
Agencias Privadas
Institución en la que
estudió
Bolsa de Empleo en Internet
Municipio
32
0.5 -0.022 -0.035 -0.008
(0.074) (0.067) (0.128) (0.045)
0.0002 0.0003 -0.0004 0.0002
(0.0003) (0.0003) (0.0007) (0.0002)
-0.476 -0.19 -0.533 -0.238
(0.383) (0.383) (0.8) (0.24)
0.189 -0.267 -0.856 -0.187
(0.254) (0.287) (0.526) (0.172)
-0.253 -0.006 -0.355 -0.151
(0.188) (0.191) (0.385) (0.123)
-0.386*** -0.074 0.005 -0.159**
(0.14) (0.104) (0.21) (0.076)
0.088 0.071 0.232 0.105**
(0.08) (0.084) (0.165) (0.053)
R-Cuadrado 0.09 0.14 0.29 0.23
Pseudo R-Cuadrado 0.22 0.1 0.13 0.134
N° Observaciones 23957 23427 7139 54900
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
No se incluyeron en esta tabla las variables dummy que representan las regiones de Chile (ver anexo), ni las
que representan a la cantidad de trabajadores de la empresa, ni las que representan a los sectores productivos.
*Significativo al 10%
**Significativo al 5%
***Significativo al 1%
Presencia de OMIL en la
Comuna
PRIMERA ETAPA
Cónyuge Trabaja
Tabla 8 (cont.) Estimaciones: Heckit separado por Nivel de Estudios
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora.
Educación
Básica
Gasto Municipal por
Habitante
Luz
Agua
Alcantarillado
Educación
Media
Educación
UniversitariaModelo Completo
Covariables
Ingreso Autónomo
Promedio Comunal
En las estimaciones de Mínimos Cuadrados (Tabla 6) se aprecia que la magnitud del efecto de
las OMIL sobre el Ingreso del Trabajo por Hora difiere según el nivel de escolaridad; tiene un
mayor valor absoluto en los individuos con Educación Universitaria. Sin embargo, al estimar a
través de Matching (Tabla 7) observamos que el efecto de la OMIL desaparece precisamente
en este Nivel de Escolaridad, permaneciendo en los individuos con Educación Básica y Media.
Es decir, existe un pronunciado sesgo de selección en variables observables en los individuos
con Educación Universitaria, que explica el resultado que la estimación por Mínimos
Cuadrados Ordinarios presenta para ellos. Además, es conveniente destacar que existe sesgo
de selección en variables no observables (
ˆ significativamente distinto de cero) para todos
los niveles educativos. Sin embargo, al corregir este sesgo no se alteran significativamente los
resultados de la estimación por Mínimos Cuadrados Ordinarios.
33
Otra posibilidad de cambio estructural la constituyen los distintos quintiles de ingreso del
hogar per cápita40. Esta variable a diferencia de la escolaridad (que es netamente individual)
da cuenta de distintas realidades a nivel familiar, que pueden hacer cambiar el
comportamiento de los trabajadores a la hora de elegir uno u otro Intermediador Laboral. Por
ello se utilizó el Test de Chow, el que arrojó los siguientes resultados:
F-statistic 1295407 Probability 0
Log likelihood ratio 18763 Probability 0
Fuente: Elaboración propia a partir de datos Encuesta CASEN 2006
Tabla 9: Test de Chow utilizando los Quintiles de Ingreso
Autónomo del Hogar per Cápita
Hipótesis Nula: 1º Quintil = 2º Quintil = … = 5º Quintil
Con lo que se rechaza la Hipótesis Nula de que no hay Cambio Estructural entre las
observaciones pertenecientes a los distintos Quintiles de Ingreso Autónomo per Cápita. Es por
ello que realizamos estimaciones separadas para cada Quintil, que presentamos a
continuación:
40 Los límites de los distintos Quintiles de Ingreso Autónomo del Hogar per Cápita fueron extraídos del documento
“Distribución del Ingreso e Impacto Distributivo del Gasto Social”
http://www.mideplan.cl/casen/publicaciones/2006/Imp_Distrib.pdf
-0.044 -0.031 -0.105** -0.162*** -0.22 -0.06* -0.144*** -0.22
(0.051) (0.04) (0.051) (0.063) (0.181) (0.033) (0.041) (0.181)
0.014*** 0.025*** 0.034*** 0.05*** 0.098*** 0.025*** 0.049*** 0.098***
(0.003) (0.002) (0.002) (0.002) (0.003) (0.002) (0.002) (0.003)
0.019*** 0.023*** 0.024*** 0.029*** 0.038*** 0.018*** 0.026*** 0.038***
(0.002) (0.001) (0.001) (0.001) (0.002) (0.001) (0.0009) (0.002)
-0.0003*** -0.0003*** -0.0003*** -0.0004*** -0.0004*** -0.0003*** -0.0003*** -0.0004***
(0) (0) (0) (0) (0) (0) (0) (0)
0.206*** 0.044*** -0.06*** -0.171*** -0.417*** 0.143*** -0.124*** -0.417***
(0.015) (0.012) (0.015) (0.02) (0.035) (0.01) (0.012) (0.035)
0.125*** 0.089*** 0.072*** -0.009 -0.106*** 0.116*** 0.038*** -0.106***
(0.013) (0.01) (0.011) (0.016) (0.028) (0.008) (0.009) (0.028)
-0.054*** 0.01 0.016 -0.027*** 0.071*** -0.024*** -0.012 0.071***
(0.014) (0.01) (0.012) (0.016) (0.027) (0.009) (0.01) (0.027)
Tabla 10. Estimaciones: OLS separado por Quintiles de Ingreso Autónomo del Hogar per Cápita
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora.
1º Quintil 2º Quintil 3º Quintil 5º Quintil 5º QuintilCovariables
ATTOMIL
ATE
ATU
4º Quintil
Experiencia
Experiencia al
Cuadrado
Escolaridad
Contrato
Plazo Indefinido
Inv. Mills (sesgo de
selección)
1º y 2º
Quintil
3º y 4º
Quintil
Rural
Propensity Score
35
0.026 0.031** 0.024 0.012 -0.049* 0.035*** 0.021* -0.049*
(0.019) (0.014) (0.015) (0.017) (0.027) (0.012) (0.012) (0.027)
0.023 -0.013 -0.052*** -0.057*** -0.117*** -0.003 -0.064*** -0.117***
(0.017) (0.012) (0.013) (0.016) (0.026) (0.01) (0.011) (0.026)
0.056* 0.027 0.004 -0.031 -0.016 0.045** -0.008 -0.016
(0.03) (0.024) (0.024) (0.029) (0.045) (0.02) (0.019) (0.045)
0.015 0.012 0.025 -0.02 0.032 0.014 -0.0005 0.032
(0.026) (0.018) (0.021) (0.028) (0.047) (0.016) (0.018) (0.047)
-0.102 0.135 -0.011 0.13 0.681*** -0.23 -0.01 0.681***
(0.17) (0.19) (0.156) (0.31) (0.053) (0.137) (0.15) (0.053)
-0.243 -0.004 0.122* -0.024 0.116 -0.106 0.036 0.116
(0.16) (0.047) (0.069) (0.082) (0.111) (0.07) (0.053) (0.111)
0.067 0.086** 0.112*** 0.09** 0.069 0.096*** 0.107*** 0.069
(0.099) (0.037) (0.036) (0.039) (0.044) (0.037) (0.027) (0.044)
0.118 0.054 0.093 0.082 0.111 0.062 0.111 0.111
(0.395) (0.155) (0.062) (0.081) (0.113) (0.167) (0.056) (0.113)
0.048 -0.03 0.03 -0.022 -0.116* -0.004 0.017 -0.116*
(0.049) (0.051) (0.05) (0.046) (0.067) (0.036) (0.035) (0.067)
5º QuintilCovariables
2º Quintil 3º Quintil 4º Quintil 5º Quintil1º y 2º
Quintil
3º y 4º
Quintil
Otras Formas de Intermediación
Tabla 10 (cont.) Estimaciones: OLS separado por Quintiles de Ingreso Autónomo del Hogar per Cápita
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora.
1º Quintil
Municipio
Programa Puente
Agencias Privadas
Institución en la que
estudió
Familiares
Bolsa de Empleo en
Internet
Ex compañeros de
trabajo
Ex empleadores
Amigos
R-Cuadrado 0.11 0.1 0.117 0.14 0.235 0.11 0.14 0.235
Pseudo R-Cuadrado - - - - - - - -
N° Observaciones 11144 13959 12423 10410 6964 25103 22833 6964
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
No se incluyeron en esta tabla las variables dummy que representan las regiones de Chile (ver anexo), ni las
que representan a la cantidad de trabajadores de la empresa, ni las que representan a los sectores productivos.
*Significativo al 10%
**Significativo al 5%
***Significativo al 1%
36
0.025 0.014 0.103 -0.282 -0.417 -0.034 -0.071 -0.417
-0.148** -0.003 -0.035 -0.26** -0.317 -0.109** -0.107* -0.317
(0.064) (0.075) (0.073) (0.102) (0.238) (0.047) (0.063) (0.238)
0.027 0.014 0.104 -0.282 -0.418 -0.033 -0.07 -0.418
Tabla 11. Estimaciones: Matching separado por Quintiles de Ingreso Autónomo del Hogar per Cápita
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora.
4º Quintil1º y 2º
Quintil
3º y 4º
Quintil1º Quintil 2º Quintil 3º Quintil 5º Quintil 5º Quintil
Covariables
ATTOMIL
ATE
ATU
R-Cuadrado - - - - - - - -
Pseudo R-Cuadrado 0.21 0.15 0.17 0.09 0.17 0.17 0.11 0.17
N° Observaciones 11066 13904 11710 10410 4773 25015 22846 4762
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
No se incluyeron en esta tabla las variables dummy que representan las regiones de Chile (ver anexo), ni las
que representan a la cantidad de trabajadores de la empresa, ni las que representan a los sectores productivos.
*Significativo al 10%
**Significativo al 5%
***Significativo al 1%
37
-0.04 -0.032 -0.088* -0.127** -0.189 -0.061* -0.117*** -0.189
(0.051) (0.04) (0.051) (0.064) (0.178) (0.033) (0.041) (0.178)
0.012*** 0.027*** 0.026*** 0.051*** 0.081*** 0.026*** 0.044*** 0.081***
(0.003) (0.002) (0.002) (0.002) (0.005) (0.002) (0.002) (0.005)
0.017*** 0.022*** 0.026*** 0.03*** 0.034*** 0.019*** 0.028*** 0.034***
(0.002) (0.001) (0.001) (0.001) (0.003) (0.001) (0.0009) (0.003)
-0.0003*** -0.0003** -0.0003*** -0.0004*** -0.0003*** -0.0003*** -0.0003*** -0.0003***
(0) (0) (0) (0) (0) (0) (0) (0)
0.235*** 0.011 0.106*** -0.089*** -0.398*** 0.127*** 0.011 -0.398***
(0.024) (0.037) (0.022) (0.022) (0.046) (0.022) (0.015) (0.046)
0.096*** 0.121*** -0.099*** -0.019 -0.14*** 0.133*** -0.054*** -0.14***
(0.023) (0.035) (0.02) (0.016) (0.038) (0.021) (0.012) (0.038)
-0.055*** 0.033 -0.015 -0.087*** 0.076** -0.019* -0.061*** 0.076**
(0.014) (0.026) (0.013) (0.018) (0.032) (0.01) (0.01) (0.032)
0.073* -0.103 0.414*** 0.343 0.17*** -0.047 0.425*** 0.17***
(0.043) (0.109) (0.042) (0.039) (0.042) (0.055) (0.03) (0.042)
Rural
Propensity Score
Inv. Mills (sesgo de
selección)
5º Quintil
Escolaridad
Experiencia
Experiencia al
Cuadrado
Contrato
Plazo Indefinido
3º Quintil 4º Quintil 5º QuintilCovariables
OMIL
ATE
ATT
ATU
Tabla 12. Estimaciones: Heckit separado por Quintiles de Ingreso Autónomo del Hogar per Cápita.
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora.
1º y 2º
Quintil
3º y 4º
Quintil1º Quintil 2º Quintil
38
0.026 0.031** 0.023 0.016 -0.057* 0.035*** 0.024** -0.057*
(0.019) (0.014) (0.016) (0.017) (0.033) (0.012) (0.012) (0.033)
0.023 -0.013 -0.045*** -0.054*** -0.116*** -0.002 -0.059*** -0.116***
(0.017) (0.012) (0.014) (0.016) (0.031) (0.01) (0.011) (0.031)
0.056* 0.026 0.007 -0.03 0.004 0.045** -0.008 0.004
(0.03) (0.025) (0.024) (0.028) (0.055) (0.02) (0.019) (0.055)
0.012 0.011 0.026 -0.023 0.046 0.013 -0.002 0.046
(0.026) (0.018) (0.022) (0.028) (0.064) (0.016) (0.017) (0.064)
-0.1 0.133 -0.051 0.144 Variable -0.024 -0.029 Variable
(0.167) (0.191) (0.157) (0.3) Eliminada (0.137) (0.151) Eliminada
-0.243 -0.005 0.128* -0.016 0.12 -0.105 0.044 0.12
(0.161) (0.047) (0.072) (0.082) (0.12) (0.07) (0.053) (0.12)
0.063 0.088** 0.123*** 0.097** 0.076 0.097*** 0.112*** 0.076
(0.099) (0.037) (0.037) (0.039) (0.052) (0.037) (0.027) (0.052)
0.106 0.058 0.076 0.086 0.058 0.065 0.112** 0.058
(0.39) (0.155) (0.064) (0.081) (0.113) (0.167) (0.056) (0.113)
0.054 -0.032 0.042 -0.01 -0.131* -0.006 0.029 -0.131*
(0.049) (0.051) (0.051) (0.047) (0.076) (0.036) (0.036) (0.076)
5º QuintilCovariables
2º Quintil 3º Quintil 4º Quintil 5º Quintil1º y 2º
Quintil
3º y 4º
Quintil
Ex compañeros de
trabajo
Ex empleadores
Programa Puente
Tabla 12 (cont.) Estimaciones: Heckit separado por Quintiles de Ingreso Autónomo del Hogar per Cápita.
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora.
1º Quintil
Agencias Privadas
Institución en la que
estudió
Bolsa de Empleo en
Internet
Municipio
Otras Formas de Intermediación
Familiares
Amigos
39
0.017 0.008 -0.09 -0.104 -0.283 0.034 -0.102 -0.283
(0.11) (0.092) (0.102) (0.104) (0.181) (0.069) (0.07) (0.181)
0.001** 0.0006* 0.00008 -0.0003 0.0005 0.0007*** -0.0001 0.0005
(0.0005) (0.0004) (0.0006) (0.0005) (0.0007) (0.0003) (0.0004) (0.0007)
-0.316 -0.339 0.016 -1.2** 1.27 -0.133 -0.789** 1.27
(0.595) (0.528) (0.807) (0.52) (1.3) (0.37) (0.383) (1.3)
0.047 0.327 -0.274 -0.9** -0.97 0.093 -0.585** -0.97
(0.326) (0.357) (0.413) (0.45) (0.95) (0.235) (0.288) (0.95)
-0.316 -0.046 -0.278 0.135 -0.097 -0.176 -0.106 -0.097
(0.249) (0.233) (0.279) (0.316) (0.618) (0.168) (0.202) (0.618)
-0.295 -0.076 -0.284 -0.149 0.35 -0.16 -0.191 0.35
(0.18) (0.134) (0.188) (0.183) (0.29) (0.106) (0.126) (0.29)
0.042 0.094 0.177 0.106 0.667** 0.068 0.155* 0.667**
(0.106) (0.105) (0.124) (0.135) (0.273) (0.073) (0.089) (0.273)
R-Cuadrado 0.11 0.1 0.12 0.15 0.23 0.11 0.15 0.23
Pseudo R-Cuadrado 0.22 0.15 0.18 0.12 0.21 0.17 0.13 0.21
N° Observaciones 11066 13904 11710 10410 4773 25015 22883 4773
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
No se incluyeron en esta tabla las variables dummy que representan las regiones de Chile (ver anexo), ni las
que representan a la cantidad de trabajadores de la empresa, ni las que representan a los sectores productivos.
*Significativo al 10%
**Significativo al 5%
***Significativo al 1%
Presencia de OMIL en
la Comuna
Ingreso Autónomo
Promedio Comunal
Alcantarillado
Agua
1º y 2º
Quintil
3º y 4º
Quintil5º Quintil
Covariables
Cónyuge Trabaja
Luz
Tabla 12 (cont.) Estimaciones: Heckit separado por Quintiles de Ingreso Autónomo del Hogar per Cápita.
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora.
1º Quintil 2º Quintil 3º Quintil 4º Quintil 5º Quintil
Gasto Municipal por
Habitante
PRIMERA ETAPA
Las estimaciones de Mínimos Cuadrados Ordinarios (Tabla 10) muestran que el efecto de las
OMIL en el Ingreso del Trabajo por hora difiere entre los distintos Quintiles de Ingreso
Autónomo del Hogar per Cápita. Los resultados muestran que tal efecto sólo es significativo
para los Quintiles 3 y 4. Otras formas de agrupar los resultados sólo confirman esta
afirmación. De hecho al realizar la estimación para aquellas observaciones pertenecientes a
los Quintiles 1 y 2 (Tabla 10, Columna 7), el parámetro de la variable OMIL allí obtenido
presenta un valor absoluto mayor (y estadísticamente significativo) al que presentaba el
mismo parámetro al ser calculado para los Quintiles 1 y 2 por separado. Pero al realizar un
test de Chow comparando el Quintil 1 con el Quintil 2 es rechazada la hipótesis nula de que no
hay cambio estructural, por lo que los resultados válidos para este grupo de observaciones
son los entregados por las Columnas 2 y 3. Al agrupar los Quintiles 3 y 4, en cambio, se llega a
un estimador de la variable OMIL de similar valor absoluto y significancia que el obtenido al
calcular para cada quintil por separado. Aunque esto sea así, para este grupo de
observaciones, los resultados válidos son aquellos entregados por las Columnas 4 y 5 de la
Tabla 1041. Las estimaciones de Matching y Heckit confirman en parte los resultados
entregados por la Tabla 10. Las únicas diferencias, en cuanto a nivel de significancia, ocurren
al controlar el sesgo de selección por variables observables (Matching, Tabla 11). En tal
estimación el parámetro de la variable OMIL resulta significativo para los Quintiles 1 y 4.
Las conclusiones recién planteadas, sin embargo, podrían cambiar al considerar la situación
de aquellas personas que están en el borde de un determinado Quintil de Ingresos. El efecto
de la Intermediación Laboral de OMIL sobre el Ingreso Laboral por hora puede hacer que,
todo lo demás constante, cambie el Quintil de Ingreso Autónomo del Hogar al que pertenece la
persona. Para controlar este efecto identificamos a aquellas personas que cambiarían el
Quintil de Ingreso Autónomo del Hogar per Cápita al que pertenecen si es que sobre sus
Ingresos de Trabajo se aplica el estimador del efecto del Intermediador OMIL. Para estos
efectos, multiplicamos el Ingreso del Trabajo por Hora por (1+ OMIL̂ )42, construimos una
nueva versión del Ingreso Autónomo del Hogar per Cápita e identificamos a qué Quintil
41 Un test de Chow rechaza la hipótesis nula de que no hay cambio estructural al estimar este modelo para los
Quintiles 3 y 4.
42 Utilizamos el estimador de OMIL̂ que nosotros consideramos menos sesgado: el parámetro ATE obtenido a
través de una estimación Matching, presentado en la Tabla 4.
41
pertenecía ahora43 cada observación. Las observaciones que cambiaban de Quintil luego de
recibir de este procedimiento fueron eliminadas para recalcular los modelos representados en
las Tablas 10, 11 y 12. Los resultados obtenidos mayoritariamente confirman la presencia de
un efecto OMIL sólo en algunos Quintiles de Ingreso Autónomo del Hogar per Cápita44. Tales
cifras son detalladas en las Tablas 14, 15 y 16, situadas en el Anexo Nº2 de este informe.
A modo de recapitulación de esta sección recordemos que en nuestras estimaciones se obtuvo
un efecto negativo de la Intermediación por parte de las OMIL sobre el Ingreso del Trabajo por
hora. Sin embargo, al separar las observaciones de acuerdo al Quintil de Ingreso Autónomo
del Hogar per Cápita, se rechazó la hipótesis nula de que no hay cambio estructural. A partir
de ello observamos que el efecto negativo antes descrito sólo está presente en el 3º y 4º
Quintil.
X. Posibles explicaciones de estos resultados.
En la sección anterior concluimos que para ciertos grupos de individuos (los pertenecientes a
algunos Quintiles de Ingreso Autónomo del Hogar per Cápita) la Intermediación Laboral por
parte de una OMIL genera un efecto negativo sobre el Ingreso del Trabajo por hora. Sin
embargo, tales resultados no nos permiten afirmar cuál es la causa que está detrás de estas
cifras. Es por eso que esta sección se esbozarán algunas respuestas basadas en el marco
analítico presentado en la sección II (Autor, 2008), otras experiencias registradas en la
literatura (Kuhn y Skuterud, 2004) y evidencia anecdótica registradas a través de visitas a
terrenos a instituciones relacionadas con la Intermediación Pública
En primer lugar cabe mencionar el trabajo de Kuhn y Skuterud (2004) en el que ocurre algo
parecido a lo que hemos observado en nuestra investigación: se concluye que una instancia de
Intermediación Laboral influye de manera negativa en algún outcome de los individuos
43
Recordemos que, para efectos de estos cálculos, los límites de cada Quintil permanecen fijos, siendo aquellos
definidos por el documento “Distribución del Ingreso e Impacto Distributivo del Gasto Social”
http://www.mideplan.cl/casen/publicaciones/2006/Imp_Distrib.pdf
44 Sólo en la estimación Heckit (Tabla 16) dejan de ser significativos los efectos de OMIL en todos los Quintiles de
Ingreso.
42
intermediados por ella45. A la hora de explicar sus resultados estos autores esbozan una serie
de posibles explicaciones, que aquí son presentadas en forma de pregunta, junto a otras
preguntas que surgieron de las visitas a terreno realizadas por mí:
a) ¿Por qué las personas recurren a una agencia de empleo que les significa obtener un
salario menor?:
¿La OMIL les otorga beneficios que no han sido considerados dentro del modelo
econométrico? (beneficios no salariales, un desempleo de menor duración, etc.)
¿Tienen pocos contactos, redes sociales pobres, y por eso aceptan un salario menor al
que les ofrece el mercado?
¿Tienen una menor calidad “no observada”? (en alguna característica no recogida por
las estimaciones econométricas antes descritas)
Este grupo de preguntas están vinculadas a la presencia de Información Costosa y Selección
Adversa en el Mercado Laboral (Autor, 200846) Es decir, tienen relación con la imposibilidad
de estos trabajadores de obtener toda la información acerca de sus alternativas laborales
relevantes (porque tienen “pocos contactos” o por algún otro motivo) Además, la presencia de
información no observable para el econometrista y/o para el empleador nos puede llevar a
distintas formas de interpretar los resultados detallados en la sección anterior:
Presencia de Información No Observable para el Econometrista ni para el Empleador:
nos hace pensar que es la OMIL la que genera una señal acerca de la calidad de los
trabajadores, la que redunda en un salario menor o igual47 al que obtendrían a través
de otros métodos de intermediación laboral48. Que es la señal impuesta por las OMIL
la responsable de este fenómeno.
Presencia de Información No Observable para el Econometrista, pero observable para el
Empleador: nos hace pensar que el salario obtenido por los trabajadores
intermediados por las OMIL es el mismo salario que obtendrían a través de otros
métodos de intermediación laboral. Que es la calidad no observable (para el
45 En tal trabajo, la instancia de Intermediación Laboral es la Búsqueda de Empleo a través de Internet, y el
outcome afectado es la duración del desempleo.
46 Ya detallado en la sección II.
47 Dependiendo del quintil de Ingreso Autónomo del Hogar per Cápita al que pertenezca el individuo.
48 Como ocurría en los papers presentados en la parte c) de la sección IV.
43
econometrista) de los trabajadores intermediados por OMIL la responsable de este
fenómeno.
b) ¿Por qué las empresas recurren a las OMIL?:
¿Porque les permite acceder a una oferta de trabajadores que están dispuestos a
obtener un salario menor al del mercado?
¿Porque les permite acceder de manera gratuita y expedita a una oferta de
trabajadores acorde a sus requerimientos? (les ahorra gastos de reclutamiento y
selección)
c) ¿La gestión de las OMIL es responsable de este fenómeno49? O ¿Sólo es producto de la
autoselección de ciertos grupos de trabajadores y empresas?
Si en el grupo de preguntas a) hablamos de una “señal” que imponía la intermediación por
parte de las OMIL, aquí nos referimos a una administración ineficiente como la posible
causante de los resultados ya presentados
Tal como le ocurre a Kuhn y Skuterud (2004), esta investigación carece de datos que nos
permitan testear algunas de las hipótesis aquí esbozadas50 por lo que se recurrió a evidencia
anecdótica, generada a partir de visitas a terreno a Oficinas Municipales de Intermediación
Laboral, empresas que hacen uso de sus servicios e Instituciones sin fines de lucro que
realizan labores de Intermediación Laboral en segmentos de público similares a los atendidos
por las OMIL visitadas. Al finalizar esta sección busco especificar algunas preguntas que, con
los datos apropiados, puedan llevar a nuevas investigaciones que nos permitan ahondar en el
análisis económico de la Intermediación Laboral Pública en Chile.
Visitas a Terreno
49 Un ejemplo donde la gestión del Intermediador Laboral era la responsable de un fenómeno similar es
presentado por Wong Lee (2008).
50 Por ejemplo, no contamos con datos de historial laboral, para medir la duración de los períodos de empleo y
desempleo de los trabajadores de la muestra.
44
Casi todos los estudios que tratan en profundidad el tema de la Intermediación Laboral
Pública en Chile, se refieren a aspectos administrativos: gestión, recursos humanos, atención
al cliente51. En ellos no se aborda, teórica y/o empíricamente52, los aspectos económicos que
están detrás de este problema. Incluso en el Informe Final del Consejo Asesor Presidencial
“Trabajo y Equidad” (2008) se reconoce la inexistencia de evaluaciones económicas formales
a las OMIL.
Es por eso que se ha recurrido a la evidencia anecdótica para esbozar algunas hipótesis que
expliquen nuestros resultados de la sección IX. Para ello se han visitado53:
3 OMIL de la Región Metropolitana y 1 de la Región de Coquimbo54.
3 Empresas que utilizan los servicios de una o varias OMIL.
1 Organización Sin Fines de Lucro que realiza labores de Intermediación Laboral, en
segmentos de público similares a los atendidos por las OMIL visitadas.
A continuación, una breve caracterización de las instituciones visitadas:
a) OMIL: son muy distintas entre sí en casi todos los aspectos:
Cantidad de Personal: desde 4 personas con dedicación no exclusiva (atienden más
de un servicio municipal a la vez) hasta 14 personas con dedicación exclusiva55 56.
Grado de Cumplimiento de las “Funciones de una OMIL”57: está fuertemente
vinculada a la cantidad de personal. Por ejemplo, las dos OMIL con menor cantidad
de personal no cuentan con un relacionador de empresas. Es decir en esas OMIL
no se establece un contacto directo con las empresas, tanto para buscar puestos de
trabajo, como para realizar un seguimiento de los trabajadores colocados. En esas
51 Alcalá Consultores (2005), Chanamé (1999), González et. al. (2002)
52 Sólo Singer (2005) se adopta un enfoque económico, pero sólo a nivel teórico.
53 Las nombres de las comunas y las instituciones que he visitado se mantendrán en secreto para honrar el
compromiso que el investigador adquirió con sus entrevistados.
54 Esta última OMIL fue visitada por una colaboradora del investigador.
55 Las otras OMIL cuentan con un personal de 5 y 8 personas con dedicación exclusiva, respectivamente.
56 La cantidad de personal no está estrictamente relacionada con la cantidad de habitantes de la comuna.
57 Que fueron detalladas en la sección III, página 6.
45
OMIL “las empresas que llegan, llegan solas”
Especialización: más allá de la edad de los trabajadores intermediados (en algunas
predominan los mayores de 30, y en otras los jóvenes entre 18 y 25), sí hay
coincidencia en la escolaridad (entre 8 y 12 años) y en el tipo de puesto al que
acceden los trabajadores intermediados (nivel operario, tanto en administración
como en ventas, transportes, seguridad y otras áreas)
b) Empresas: coinciden en varios aspectos
Personal: buscan en la OMIL a trabajadores de nivel operativo, pagando salarios
cercanos al mínimo. En estos puestos presentan alta rotación de personal (es decir
son trabajos de “bajo compromiso”, como eran llamados en la sección III)
Promoción: si en las OMIL buscan a los trabajadores de “bajo compromiso”, a los
trabajadores de “alto compromiso” los buscan dentro de sus propias filas; utilizan
promoción interna.
Preferencias por OMIL: al menos públicamente, las empresas manifestaron que su
preferencia por las OMIL está basada en los ahorros en costos de reclutamiento
que obtienen al utilizar estos servicios. En vez de poner anuncios en el diario o
seleccionar a algunas de las muchas personas que van a dejar currículums a sus
empresas, prefieren recibir a una cantidad acotada de personas que ya han pasado
por el filtro que imponen las OMIL que ellos utilizan.
A la hora de elegir entre las OMIL de distintas comunas, las empresas dijeron
recurrir con mayor asiduidad a aquellas que tienen un tiempo de reacción más
corto, que demoran menos tiempo en presentarles candidatos seleccionados para
su puesto. Estas OMIL, las que ellos prefieren, suelen ser las mismas que antes se
calificó con un mayor Grado de Cumplimiento de sus Funciones.
c) Organización Sin Fines de Lucro:
Múltiples Labores: es una fundación que realiza múltiples programas en una
comunidad específica. La intermediación laboral es sólo una de ellas, dirigida por
una persona que desempeña varias funciones.
Escala Menor: atiende sólo a un sector (4 poblaciones de una comuna)
Primer Paso de Intermediación Laboral: dado su carácter local, es la primera
46
instancia a la que recurren los vecinos del sector. Después utilizan la OMIL y otras.
Discusión
A partir de estas visitas se llega a varias conclusiones, varias de las cuales derivan en líneas
investigativas, que pueden ser abordadas en próximos trabajos:
Beneficios No Salariales: en las entrevistas no se obtuvo ningún elemento que haga pensar
que los trabajadores intermediados por las OMIL obtienen algún beneficio no salarial que
no haya sido considerado en el modelo hasta ahora utilizado.
Por ejemplo, se puede especular que la intermediación de OMIL reduce el tiempo
esperado de desempleo. Para evaluar la validez de esta hipótesis es necesario utilizar
alguna base de datos que registre las trayectorias laborales de una muestra representativa
de trabajadores a nivel nacional. Con un modelo de duración se puede estimar el efecto
que produce la intermediación de OMIL en tal índice.
OMIL son heterogéneas: lo que en este trabajo ha sido modelado como una variable
dummy, en la realidad agrupa a un conjunto de oficinas de intermediación pública de muy
distinta calidad. Además, esta calidad no depende de la cantidad de habitantes de la
comuna ni del presupuesto al que accede la administración municipal como un todo, sino
sólo del énfasis que ponga una u otra administración municipal en la gestión de tal
repartición. En varias de las OMIL entrevistadas se han suscitado importantes cambios en
su manejo, producto de la llegada de nuevos alcaldes.
En esta investigación sólo se incorporo como variable proxy el Gasto Municipal por
Habitante, pero sabemos que eso no suficiente para incorporar la heterogeneidad de OMIL
dentro de las estimaciones. Es por eso que se espera poder avanzar en el análisis
económico de la Intermediación Laboral Pública si es que realiza un análisis de la Función
de Producción que está detrás del desempeño de las OMIL. Es decir, si se vincula sus
resultados a los insumos de los que dispone58. Para ello, evidentemente, se requiere
contar con este tipo de datos para cada OMIL de Chile.
Calidad Inobservable de Trabajadores: en algunas de las entrevistas se coincidió en la idea
de que algún porcentaje de los trabajadores que recurren a las OMIL son “poco tolerantes
58 Card y Krueger (1996) y Heckman, Layne-Farrar y Todd (1996) son dos ejemplos de estimaciones de funciones
de producción en el área de la Economía de la Educación
47
al esfuerzo”. A saber: buscan trabajos lo más cerca de sus casas que se pueda (aún en
tiempos de recesión económica, u otros períodos de estrechez financiera) y presentan una
alta inasistencia o simplemente abandonan sus trabajos sin previo aviso. También se
planteó que algún porcentaje de estas personas ve el trabajo de las OMIL sólo como otra
muestra más de asistencialismo: “La municipal me tiene que conseguir pega.” En su
trabajo, Autor (2001) entrega evidencia informal para una hipótesis como esta, afirmando
que los sitios de búsqueda de trabajo por Internet son frecuentados por cuatro tipos de
individuos cuyas características inobservables los hacen poco atractivos para los
empleadores: los tristes (probablemente empleados no deseados); los curiosos (que
tienen probabilidad de “saltar de empleo en empleo”); los “no promocionables”
(probablemente por una razón); y los desempleados (probablemente por una peor razón).
Saber si es este el factor responsable del efecto negativo observado en las estimaciones de
la sección VII, requiere de variables que nos permitan aislar la calidad no observable del
trabajador; instrumentos que tengan un poder explicativo59 más alto que el de los
instrumentos utilizados hasta ahora60. Otra posibilidad es contar con datos de panel
acerca de trayectorias laborales, que incluyan variables vinculadas a la Intermediación
Laboral. Con estos datos se podrían identificar los efectos fijos que cada persona tiene
sobre sus propios outcomes, aislándolos de la estimación de los parámetros vinculados a
cada instancia de Intermediación Laboral.
Tipo de Empresas: sólo se ha logrado entrevistar a empresas que utilizan los servicios de
las OMIL. No sabemos si éstas son iguales o distintas a las empresas que no utilizan OMIL.
En esta investigación sólo se logró incluir en la estimación un grupo de variables dummy
que identifican la cantidad de trabajadores que tienen las empresas en las que trabajan los
individuos de nuestra muestra. Claramente eso no es suficiente para caracterizar a las
empresas que usan o no los servicios de las OMIL. Para responder esta pregunta se
requeriría de una base de datos que contenga varias características de una muestra
representativa de empresas a nivel nacional. Con ellas se calcularía la “Probabilidad de
que la Empresa utilice los Servicios de alguna OMIL”, para caracterizar al tipo de empresas
59 En la estimación de la probabilidad de ser Intermediado por una OMIL.
60 El pseudo R-Cuadrado alcanzado en nuestras estimaciones promedia un 13%
48
que usan este tipo de Intermediación. Existe la posibilidad de que sean las empresas las
responsables del efecto negativo observado en la sección VII; que las OMIL sólo reciban
demandas de trabajo de aquellas que por algún motivo pagan salarios inferiores al
mercado, para el segmento de trabajadores de baja calificación61.
XI. Conclusión
En esta investigación se abordó la pregunta “¿Las OMIL generan algún efecto sobre el
Mercado Laboral?” a través de la estimación de la diferencia marginal que genera en el
Ingreso del Trabajo por hora la obtención de un empleo a través de una Oficina Municipal de
Intermediación Laboral (OMIL). Se utilizó Mínimos Cuadrados Ordinarios y, para controlar el
sesgo de selección en observables y no observables, se utilizaron técnicas de matching y
regresión censurada tipo Heckit. En nuestras estimaciones se obtuvo un efecto negativo de la
Intermediación por parte de las OMIL sobre el Ingreso del Trabajo por hora. Sin embargo, al
separar las observaciones de acuerdo al Quintil de Ingreso Autónomo del Hogar per Cápita, se
rechazó la hipótesis nula de que no hay cambio estructural. Así se observó que tal efecto
negativo sólo está presente en el 3º y 4º Quintil.
Sin embargo, de estos resultados no es posible aún extraer conclusiones de política pública.
Todavía nos resta desentrañar las explicaciones que están detrás de estas cifras. Basándonos
en propuestas de la literatura relacionada (Kuhn y Skuterud, 2004) y en evidencia anecdótica,
aquí se planteó que tanto el pool de trabajadores intermediados (sus características no
observables), como el conjunto de empresas que ofrecen empleos a través de las OMIL
(pueden ofrecer sistemáticamente salarios inferiores al mercado) y la gestión de las propias
OMIL pueden ser las responsable de este efecto negativo. Probar cada una de estas hipótesis
requiere de nuevos datos y de nuevas estimaciones
Pool de trabajadores: instrumentos para aislar su calidad no observable en la
estimación de la Probabilidad de que el individuo sea Intermediado por una OMIL.
61 Una de las empresas entrevistadas planteó: “Yo sé que en la empresa del lado pagan un salario más alto por un
trabajo que, al igual que el que se realiza en esta empresa, no requiere un gran nivel de calificación. Yo no sé si ellos
obtienen trabajadores a través de la OMIL”
49
Pool de empresas: características para calcular la Probabilidad de que la Empresa
utilice los Servicios de alguna OMIL.
Gestión de las OMIL: datos de insumos para estimar la Función de Producción de las
OMIL.
Lo que deja planteado el desafío de extender esta rama de la literatura económica en Chile.
XII. Bibliografía
Addison, John T. and Portugal, Pedro. "Job Search Methods and Outcomes." Institute for
the Study of Labor (IZA) (Bonn, Germany) Discussion Paper No. 349, August 2001.
Alcalá Consultores (2005) “Desarrollo de estándares de atención al cliente para los
procesos críticos de las oficinas municipales de información laboral” Oficina de Estudios,
Área Innovación y Desarrollo, Servicio Nacional de Capacitación y Empleo.
Akerlof, G.(1970) "The Market for 'Lemons': Quality Uncertainty and the Market
Mechanism." Q.J.E. 84: 488-500.
Angrist, J. y J. Pischke (2009) “Mostly Harmless Econometrics” Princeton University Press.
Autor, D. (2001). “Wiring the Labor Market.” Journal of Economic Perspectives, 15(1),
Winter, 25 – 40.
Autor, D. (2008) “The Economics of Labor Market Intermediation: an Analytic
Framework” NBER Working Paper 14348.
Barbieri G., P. Gennari, P. Sestito, (2002), “Do Public Employment Services help people in
finding a job? An evaluation of the Italian Case”, Rivista di Statistica Ufficiale, 3.
Card, D. y A. B. Krueger (1996) “Labor Market Effects of School Quality: Theory and
Evidence” en Does Money Matter? The Effect of School Resources on Student Achievement
and Success, editado por Gary Burtless. Brookings Institution Press.
Chanamé, C. (1999) “El sistema de intermediación laboral y los servicios públicos de
empleo en Chile: diagnóstico, evaluación y propuesta para mejorar su gestión”.
Universidad de Chile.
Chezum, B. y B. Wimmer (1997) “Roses or Lemons: Adverse Selection in the Market for
Thoroughbred Yearlings” The Review of Economics and Statistics, Vol. 79, No. 3 (Aug.,
1997), pp. 521-526
50
Canziani, P., and B. Petrongolo (2001). “Firing costs and stigma: A theoretical analysis and
evidence from microdata.” European Economic Review 45 (December): 1877–1906.
Consejo Asesor Presidencial “Trabajo y Equidad” (2008) “Informe Final: Hacia un Chile
más Justo”
http://track.websiteceo.com/r/251843/www.trabajoyequidad.cl/view/descargaInforme.
asp?file=Informe-Final.pdf
Genesove, D. (1993) "Adverse Selection in the Wholesale Used Car Market" The Journal of
Political Economy, Vol. 101, No. 4, pp. 644-665.
González, J., Garcés, C., Maldonado, P., Ogaz, M. Sánchez, G. & Solar, P. (2002) “Diagnóstico
a 31 oficinas municipales de Información Laboral (OMIL) urbanas” Subdepartamento de
Estudios, Servicio Nacional de Capacitación y Empleo.
Greenwald, B. y R. Glasspiegel (1983) “Adverse Selection in the Market for Slaves: New
Orleans, 1830-1860” The Quarterly Journal of Economics, Vol. 98, No. 3 (Aug., 1983), pp.
479-499.
Heckman, J., A. Layne-Farrar y P. Todd (1996) “Does Measured School Quality Matter? An
Examination of the Earnings-Quality Relationship” en Does Money Matter? The Effect of
School Resources on Student Achievement and Success, editado por Gary Burtless.
Brookings Institution Press.
Imbens, G. y J. Wooldridge (2007) “What is New in Econometrics?” NBER Summer
Institute 2007, manuscrito.
Kübler, D. (1999) “Coexistence of public and private job agencies: Screening with
heterogeneous institutions” Public Choice Vol. 101 pp. 85-107.
Kugler, A. and G. Saint Paul (2004) “How Do Firing Costs Affect Worker Flows in a World
with Adverse Selection?” Journal of Labor Economics, 2004, vol. 22, no. 3.
Kuhn, P. y M. Skuterud (2004) “Internet Job Search and Unemployment Durations.”
American Economic Review, 94(1), 218-232.
Lee, W. (2008) “Private Deception and the Rise of Public Employment Offices in the
United States, 1890 – 1930” NBER Book in Progress
http://www.nber.org/books_in_progress/labmktinter/lee9-5-08.pdf
Pissarides, C. A. (1979) “Job Matchings with State Employment Agencies and Random
Search” The Economic Journal, Vol. 89, No. 356 (Dec., 1979), pp. 818-833.
Rosenbaum, P. R., and D. B. Rubin (1983), ‘‘The Central Role of the Propensity Score in
Observational Studies for Causal Effects,’’ Biometrika 70, 41–55.
51
Singer, M. (2005) "Evaluación del Sistema Público de Intermediación Laboral y de su
Oportunidad de Privatización" Revista Abante, Vol. 8, Nº2, pp. 37-58.
Singer, M. y G. Gómez (2006) “Propuesta de sistema público-privado para la
intermediación laboral” Pontificia Universidad Católica de Chile.
UAP (2005) “Seguimiento a la colocación efectuada por las oficinas municipales de
información laboral de la Región de Tarapacá, Período Julio 2003-Junio 2004” Universidad
Arturo Prat de Iquique.
Wooldridge, J. (2002) “Econometric Analysis of Cross Section and Panel Data”. The MIT
Press.
Zweifel, P y C. Zaborowski (1996) “Employment Service: Public or Private?” Public Choice,
Vol. 89, No. 1/2 (Oct., 1996), pp. 131-162.
XIII. Anexo Nº1: Estadísticas Descriptivas Estimaciones.
1838.1 1323.8 1705.2 1425.7 1145.1 1274.0 2211.6 2979.4 3155.2 2721.7 1676.9 2112.4
(44.4) (16.3) (47.6) (40.7) (46.9) (209.6) (189.5) (149.6) (79.1) (277.9) (86.5) (46.4)
9 8.9 9.7 8.5 9.1 7.9 12.1 13.8 8.7 13.4 10.3 10.1
(0.03) (0.028) (0.093) (0.07) (0.2) (0.66) (0.212) (0.09) (0.04) (0.235) (0.2) (0.035)
25.2 24.2 26.7 28.4 26.3 26.0 20.0 14.8 32.9 14.5 28.5 25.0
(0.13) (0.109) (0.315) (0.27) (0.76) (2.23) (0.82) (0.39) (0.163) (0.895) (0.66) (0)
0.46 0.410 0.276 0.460 0.251 0.146 0.120 0.160 0.429 0.090 0.289 0.332
(0.004) (0.003) (0.01) (0.009) (0.02) (0.056) (0.02) (0.011) (0.005) (0.02) (0.019) (0.004)
0.513 0.657 0.786 0.766 0.834 0.512 0.855 0.830 0.122 0.862 0.845 0.704
(0.004) (0.003) (0.009) (0.007) (0.017) (0.079) (0.023) (0.012) (0.003) (0.027) (0.015) (0.004)
0.388 0.451 0.533 0.546 0.430 0.317 0.636 0.720 0.100 0.725 0.564 0.536
(0.004) (0.003) (0.011) (0.009) (0.02) (0.074) (0.03) (0.01) (0.003) (0.035) (0.02) (0.004)
0.188 0.074 0.027 0.034 0.031 0.195 0.041 0.045 0.540 0.019 0.048 0.113
(0.003) (0.002) (0.004) (0.003) (0.008) (0.063) (0.013) (0.006) (0.005) (0.01) (0.009) (0.003)
0.26 0.187 0.117 0.177 0.060 0.195 0.083 0.061 0.285 0.050 0.049 0.138
(0.004) (0.003) (0.007) (0.007) (0.011) (0.063) (0.017) (0.007) (0.005) (0.017) (0.009) (0.003)
0.063 0.074 0.070 0.084 0.031 0.024 0.012 0.031 0.023 0.038 0.022 0.050
(0.002) (0.002) (0.005) (0.005) (0.008) (0.024) (0.007) (0.005) (0.001) (0.015) (0.006) (0.002)
0.161 0.220 0.224 0.240 0.274 0.146 0.022 0.157 0.048 0.156 0.330 0.174
(0.003) (0.003) (0.009) (0.008) (0.021) (0.056) (0.026) (0.011) (0.002) (0.028) (0.02) (0.003)
0.104 0.150 0.186 0.166 0.188 0.146 0.198 0.129 0.025 0.150 0.188 0.140
(0.002) (0.002) (0.009) (0.007) (0.019) (0.056) (0.026) (0.01) (0.002) (0.028) (0.017) (0.003)
0.15 0.183 0.255 0.196 0.249 0.195 0.343 0.460 0.040 0.406 0.210 0.260
(0.003) (0.003) (0.01) (0.007) (0.02) (0.062) (0.03) (0.016) (0.002) (0.039) (0.017) (0.004)
Empresa de 1
persona
Empresa de 2 a 5
personas
Empresa de 6 a 9
personas
Empresa de 10 a 49
personas
Empresa de 50 a
199 personas
Empresa de 200 o
más personas
Ingreso del Trabajo
por Hora
Escolaridad
Experiencia
Rural
Contrato
Plazo Indefinido
Institución
de Estudios
Trabajo
Independiente
Bolsa de Empleo
en InternetMunicipio Otro
Covariables
Tabla 13: Estadísticas Descriptivas
Variables según Forma de Intermediación Laboral, para hombres
FamiliaresAmigos o
Vecinos
Ex Comp. De
Trabajo
Ex
EmpleadorOMIL
Programa
Puente
Agencia
Privada
0.004 0.005 0.005 0.006 0.004 0.000 0.008 0.009 0.006 0.000 0.006 0.007
(0.0005) (0.0005) (0.002) (0.001) (0.003) (0.006) (0.003) (0.0008) (0.003) (0.0007)
0.448 0.392 0.271 0.467 0.094 0.195 0.120 0.061 0.379 0.043 0.060 0.297
(0.004) (0.004) (0.01) (0.009) (0.014) (0.063) (0.02) (0.007) (0.005) (0.016) (0.01) (0.004)
0.033 0.030 0.045 0.041 0.013 0.000 0.029 0.039 0.020 0.075 0.004 0.039
(0.001) (0.001) (0.005) (0.003) (0.005) (0.01) (0.006) (0.001) (0.02) (0.003) (0.002)
0.124 0.118 0.132 0.110 0.105 0.098 0.153 0.125 0.096 0.138 0.039 0.134
(0.003) (0.002) (0.008) (0.006) (0.015) (0.047) (0.023) (0.01) (0.003) (0.027) (0.008) (0.003)
0.006 0.009 0.011 0.011 0.011 0.000 0.029 0.015 0.002 0.006 0.009 0.010
(0.0006) (0.0007) (0.002) (0.002) (0.005) (0.01) (0.004) (0.0004) (0.006) (0.004) (0.0008)
0.104 0.146 0.192 0.125 0.137 0.244 0.128 0.064 0.111 0.060 0.084 0.109
(0.002) (0.003) (0.009) (0.006) (0.016) (0.068) (0.021) (0.008) (0.003) (0.02) (0.012) (0.003)
0.098 0.082 0.066 0.061 0.058 0.073 0.194 0.087 0.164 0.206 0.052 0.106
(0.002) (0.002) (0.006) (0.004) (0.011) (0.041) (0.025) (0.009) (0.003) (0.032) (0.009) (0.003)
0.065 0.075 0.105 0.054 0.036 0.098 0.086 0.054 0.084 0.093 0.029 0.086
(0.002) (0.002) (0.007) (0.004) (0.009) (0.047) (0.018) (0.007) (0.003) (0.023) (0.0072) (0.002)
0.028 0.037 0.059 0.043 0.033 0.024 0.112 0.076 0.033 0.200 0.026 0.052
(0.001) (0.001) (0.005) (0.004) (0.009) (0.024) (0.02) (0.008) (0.0018) (0.032) (0.007) (0.002)
0.088 0.105 0.113 0.082 0.507 0.268 0.140 0.471 0.105 0.175 0.690 0.161
(0.002) (0.002) (0.007) (0.005) (0.024) (0.07) (0.022) (0.02) (0.003) (0.03) (0.02) (0.003)
Sector Comercio
Sector Transp. Y
Comunicaciones
Sector Financiero
Sector Servicios
Comunales Sociales
Sector No
Especificado
Sector Agric., Caza,
Silvic.
Sector Minería
Sector Indust.
Manufacturera
Sector Electr., Gas,
Agua.
Sector Construcción
Institución
de Estudios
Trabajo
Independiente
Bolsa de Empleo
en InternetMunicipio Otro
Covariables
Tabla 13 (continuación): Estadísticas Descriptivas
Variables según Forma de Intermediación Laboral, para hombres
FamiliaresAmigos o
Vecinos
Ex Comp. De
Trabajo
Ex
EmpleadorOMIL
Programa
Puente
Agencia
Privada
54
0.035 0.017 0.023 0.009 0.038 0.024 0.025 0.024 0.039 0.031 0.088 0.033
(0.001) (0.0009) (0.003) (0.001) (0.009) (0.024) (0.01) (0.005) (0.002) (0.014) (0.012) (0.002)
0.023 0.020 0.020 0.034 0.034 0.073 0.008 0.034 0.024 0.025 0.037 0.044
(0.001) (0.001) (0.003) (0.003) (0.009) (0.041) (0.006) (0.006) (0.002) (0.012) (0.008) (0.002)
0.024 0.026 0.064 0.033 0.038 0.049 0.025 0.030 0.026 0.019 0.044 0.021
(0.001) (0.001) (0.006) (0.003) (0.009) (0.034) (0.01) (0.006) (0.002) (0.01) (0.009) (0.001)
0.043 0.043 0.043 0.042 0.036 0.000 0.012 0.019 0.048 0.013 0.036 0.044
(0.002) (0.001) (0.005) (0.004) (0.009) (0.007) (0.004) (0.002) (0.009) (0.008) (0.002)
0.116 0.116 0.117 0.117 0.085 0.122 0.116 0.102 0.080 0.069 0.084 0.102
(0.003) (0.002) (0.007) (0.006) (0.013) (0.052) (0.02) (0.009) (0.003) (0.02) (0.012) (0.003)
0.094 0.120 0.087 0.131 0.100 0.098 0.087 0.088 0.065 0.056 0.103 0.100
(0.002) (0.002) (0.006) (0.006) (0.014) (0.047) (0.018) (0.009) (0.002) (0.018) (0.013) (0.003)
0.098 0.103 0.064 0.108 0.063 0.049 0.029 0.056 0.064 0.031 0.079 0.090
(0.002) (0.002) (0.006) (0.006) (0.011) (0.034) (0.01) (0.007) (0.002) (0.014) (0.012) (0.002)
0.134 0.161 0.147 0.142 0.197 0.122 0.083 0.150 0.138 0.063 0.177 0.117
(0.003) (0.002) (0.008) (0.006) (0.019) (0.051) (0.018) (0.011) (0.003) (0.019) (0.016) (0.003)
0.114 0.091 0.067 0.080 0.076 0.146 0.050 0.056 0.106 0.019 0.055 0.048
(0.003) (0.002) (0.006) (0.006) (0.013) (0.052) (0.014) (0.007) (0.003) (0.01) (0.01) (0.002)
0.129 0.106 0.112 0.127 0.119 0.171 0.090 0.103 0.148 0.060 0.142 0.102
(0.003) (0.002) (0.007) (0.006) (0.015) (0.059) (0.019) (0.009) (0.0036) (0.019) (0.015) (0.003)
0.009 0.007 0.007 0.007 0.025 0.000 0.012 0.014 0.040 0.000 0.009 0.024
(0.0007) (0.0006) (0.001) (0.002) (0.007) (0.007) (0.003) (0.002) (0.004) (0.001)
0.010 0.008 0.010 0.008 0.011 0.000 0.004 0.020 0.016 0.006 0.009 0.034
(0.0008) (0.0006) (0.002) (0.002) (0.005) (0.004) (0.004) (0.001) (0.006) (0.004) (0.002)
0.169 0.181 0.235 0.162 0.177 0.146 0.459 0.303 0.204 0.606 0.134 0.240
(0.003) (0.002) (0.009) (0.007) (0.018) (0.056) (0.032) (0.014) (0.004) (0.039) (0.014) (0.004)
N° Observaciones 15196 18850 1915 3038 446 41 242 1027 9811 160 543 13562
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
Bolsa de Empleo
en InternetMunicipio Otro
Covariables
XI Región
XII Región
XIII Región
Tabla 13 (continuación): Estadísticas Descriptivas
Variables según Forma de Intermediación Laboral, para hombres
FamiliaresAmigos o
Vecinos
Ex Comp. De
Trabajo
Ex
Empleador
IX Región
X Región
III Región
IV Región
V Región
VI Región
VII Región
VIII Región
I Región
II Región
OMILPrograma
Puente
Agencia
Privada
Institución
de Estudios
Trabajo
Independiente
55
Anexo Nº2: Estimaciones Separadas por Quintiles de Ingreso Autónomo del Hogar per Cápita, excluyendo a las personas que están en los bordes de cada Quintil.
-0.044 -0.058 -0.087 -0.129* -0.186 -0.073** -0.124*** -0.186
(0.051) (0.041) (0.056) (0.073) (0.194) (0.033) (0.046) (0.194)OMIL
Covariables
1º y 2º
Quintil
3º y 4º
Quintil5º Quintil1º Quintil 2º Quintil 3º Quintil 4º Quintil 5º Quintil
Tabla 14.Estimaciones: OLS separado por Quintiles de Ingreso Autónomo del Hogar per Cápita, sin personas que están en los bordes.
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora (sólo hombres)
R-Cuadrado 0.11 0.1 0.119 0.146 0.24 0.11 0.15 0.24
Pseudo R-Cuadrado - - - - - - - -
N° Observaciones 11144 12169 10462 8825 6241 23313 19287 6241
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
No se incluyeron en esta tabla las variables dummy que representan las regiones de Chile (ver anexo), ni las
que representan a la cantidad de trabajadores de la empresa, ni las que representan a los sectores productivos.
*Significativo al 10%
**Significativo al 5%
***Significativo al 1%
0.025 0.0043 0.125 -0.071 -0.308 0.02 -0.039 -0.308
-0.148** -0.014 -0.016 -0.195* -0.109 -0.102** -0.239*** -0.109
(0.064) (0.062) (0.076) (0.111) (0.225) (0.048) (0.07) (0.225)
0.027 0.0045 0.126 -0.07 -0.309 0.022 -0.038 -0.309
OMIL
ATE
ATT
ATU
Covariables3º Quintil 4º Quintil 5º Quintil
1º y 2º
Quintil
3º y 4º
Quintil5º Quintil1º Quintil 2º Quintil
Tabla 15. Estimaciones: Matching separado por Quintiles de Ingreso Autónomo del Hogar per Cápita, sin personas que están en los bordes.
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora (sólo hombres)
56
R-Cuadrado - - - - - - - -
Pseudo R-Cuadrado 0.21 0.16 0.16 0.09 0.15 0.17 0.1 0.15
N° Observaciones 11066 11813 9238 8825 3818 23238 19287 3818
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
No se incluyeron en esta tabla las variables dummy que representan las regiones de Chile (ver anexo), ni las
que representan a la cantidad de trabajadores de la empresa, ni las que representan a los sectores productivos.
*Significativo al 10%
**Significativo al 5%
***Significativo al 1%
5º QuintilCovariables
Tabla 15 (c.) Estimaciones: Matching separado por Quintiles de Ingreso Autónomo del Hogar per Cápita, sin personas que están en los bordes.
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora (sólo hombres)
1º Quintil 2º Quintil 3º Quintil 4º Quintil 5º Quintil1º y 2º
Quintil
3º y 4º
Quintil
-0.04 -0.061 -0.069 -0.104 -0.126 -0.075** -0.107** -0.126
(0.051) (0.041) (0.057) (0.074) (0.19) (0.033) (0.047) (0.19)
R-Cuadrado 0.11 0.1 0.11 0.15 0.23 0.11 0.15 0.23
Pseudo R-Cuadrado 0.22 0.16 0.17 0.11 0.2 0.18 0.12 0.2
N° Observaciones 11066 11813 9238 8825 3818 23238 19287 3818
Estimación Propia a partir de datos Encuesta CASEN 2006
Los valores entre paréntesis representan los errores estándar
No se incluyeron en esta tabla las variables dummy que representan las regiones de Chile (ver anexo), ni las
que representan a la cantidad de trabajadores de la empresa, ni las que representan a los sectores productivos.
*Significativo al 10%
**Significativo al 5%
***Significativo al 1%
OMIL
1º y 2º
Quintil
3º y 4º
Quintil5º Quintil
Covariables1º Quintil 2º Quintil 3º Quintil 4º Quintil 5º Quintil
Tabla 16.Estimaciones: Heckit separado por Quintiles de Ingreso Autónomo del Hogar per Cápita, sin personas que están en los bordes.
Variable Dependiente: Logaritmo del Ingreso del Trabajo por hora (sólo hombres)
XIV. Anexo Nº2: Estimaciones.
Total de la Muestra Mínimos Cuadrados Ordinarios . reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni
///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com
sector_trans sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0, robust
Linear regression Number of obs = 54900
F( 42, 54857) = 354.88
Prob > F = 0.0000
R-squared = 0.2310
Root MSE = .72921
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0144194 .0093968 1.53 0.125 -.0039984 .0328372
amigo | -.1032674 .0083287 -12.40 0.000 -.1195918 -.086943
compa | -.0081198 .015613 -0.52 0.603 -.0387214 .0224818
empl | -.0435174 .0134818 -3.23 0.001 -.0699418 -.017093
omil | -.2373759 .0286489 -8.29 0.000 -.2935279 -.1812239
puente | -.1486573 .1119711 -1.33 0.184 -.3681214 .0708068
priv | -.0410078 .0498715 -0.82 0.411 -.1387563 .0567408
estud | .1634596 .0233623 7.00 0.000 .1176694 .2092498
internet | .1443704 .061509 2.35 0.019 .0238123 .2649285
muni | -.0954754 .0278158 -3.43 0.001 -.1499945 -.0409562
esc | .0925855 .0012675 73.05 0.000 .0901012 .0950698
experiencia | .0253296 .0007272 34.83 0.000 .0239042 .0267549
experiencia2 | -.000197 .000013 -15.21 0.000 -.0002224 -.0001716
rural | -.0074883 .0075948 -0.99 0.324 -.0223742 .0073975
contrato_si | -.0843785 .0086453 -9.76 0.000 -.1013234 -.0674337
indefinido | .0404568 .0069705 5.80 0.000 .0267945 .0541191
pers2a5 | -.1031972 .0120829 -8.54 0.000 -.1268798 -.0795145
pers6a9 | -.1788953 .0139451 -12.83 0.000 -.2062278 -.1515627
pers10a49 | -.1074355 .0100486 -10.69 0.000 -.1271309 -.0877401
pers50a199 | -.0586636 .010865 -5.40 0.000 -.079959 -.0373681
pers200omas | .0488043 .0104056 4.69 0.000 .0284092 .0691993
sector_noesp | .2644614 .0460971 5.74 0.000 .1741108 .354812
sector_min | .2803172 .0185595 15.10 0.000 .2439404 .316694
sector_ind | .0777207 .0104814 7.42 0.000 .057177 .0982644
sector_energ | .1315063 .0296022 4.44 0.000 .0734858 .1895268
sector_const | .0843783 .0105664 7.99 0.000 .0636681 .1050886
sector_com | .0536724 .0131944 4.07 0.000 .0278113 .0795335
sector_trans | .0420573 .0138564 3.04 0.002 .0148987 .0692159
sector_fin | .2292913 .0182839 12.54 0.000 .1934547 .265128
sector_ser~m | .1424987 .0119611 11.91 0.000 .1190549 .1659425
rg1 | -.0745532 .0222751 -3.35 0.001 -.1182126 -.0308938
rg2 | .0837862 .0223116 3.76 0.000 .0400552 .1275172
rg3 | .1259213 .019258 6.54 0.000 .0881753 .1636672
rg4 | -.114038 .0166927 -6.83 0.000 -.1467558 -.0813202
rg5 | -.1045144 .0112289 -9.31 0.000 -.126523 -.0825057
rg6 | -.1014665 .0115765 -8.76 0.000 -.1241565 -.0787765
58
rg7 | -.1281102 .0129435 -9.90 0.000 -.1534795 -.102741
rg8 | -.1897611 .0112371 -16.89 0.000 -.2117859 -.1677363
rg9 | -.1504286 .0139106 -10.81 0.000 -.1776935 -.1231636
rg10 | .0697474 .0121446 5.74 0.000 .0459439 .093551
rg11 | .190322 .0315087 6.04 0.000 .1285647 .2520794
rg12 | .1642655 .0277207 5.93 0.000 .1099327 .2185982
_cons | 5.78581 .0218886 264.33 0.000 5.742908 5.828712
------------------------------------------------------------------------------
Selección en Observables
Matching: vecino más cercano. . psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0, outcome( lytrabajhr)
neighbor(1) ate
Probit regression Number of obs = 54900
LR chi2(32) = 668.98
Prob > chi2 = 0.0000
Log likelihood = -2256.2684 Pseudo R2 = 0.1291
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.0393448 .0062089 -6.34 0.000 -.0515141 -.0271755
experiencia | -.0028394 .0040371 -0.70 0.482 -.010752 .0050732
experiencia2 | .0000379 .0000663 0.57 0.567 -.000092 .0001678
rural | -.0907555 .047391 -1.92 0.055 -.1836401 .0021291
contrato_si | .3786851 .0574873 6.59 0.000 .2660121 .4913581
indefinido | -.3364113 .044863 -7.50 0.000 -.4243411 -.2484814
pers2a5 | -.2263286 .0788921 -2.87 0.004 -.3809543 -.0717028
pers6a9 | -.0805588 .1043157 -0.77 0.440 -.2850138 .1238962
pers10a49 | .1334875 .0604064 2.21 0.027 .0150931 .2518819
pers50a199 | .1215198 .0658678 1.84 0.065 -.0075787 .2506184
pers200omas | .0350949 .0627399 0.56 0.576 -.087873 .1580628
sector_noesp | .5522871 .262248 2.11 0.035 .0382905 1.066284
sector_min | .1748656 .1511013 1.16 0.247 -.1212875 .4710188
sector_ind | .51022 .0778019 6.56 0.000 .3577312 .6627088
sector_energ | .6683323 .1787151 3.74 0.000 .3180572 1.018607
sector_const | .4591426 .0735065 6.25 0.000 .3150725 .6032126
sector_com | .4969438 .0910437 5.46 0.000 .3185014 .6753862
sector_trans | .3665462 .1036128 3.54 0.000 .163469 .5696235
sector_fin | .5848698 .1124017 5.20 0.000 .3645666 .805173
sector_ser~m | 1.149565 .0658267 17.46 0.000 1.020547 1.278583
rg1 | .2107319 .1107881 1.90 0.057 -.0064088 .4278727
rg2 | .1050109 .1124317 0.93 0.350 -.1153511 .3253729
rg3 | .2074698 .1123005 1.85 0.065 -.0126351 .4275747
rg4 | .0517358 .1089821 0.47 0.635 -.1618652 .2653369
rg5 | -.0569286 .0759846 -0.75 0.454 -.2058557 .0919984
rg6 | .1266848 .0743669 1.70 0.088 -.0190718 .2724413
rg7 | -.0034637 .0858416 -0.04 0.968 -.1717101 .1647827
rg8 | .168322 .0629114 2.68 0.007 .0450179 .2916262
rg9 | .067645 .0827335 0.82 0.414 -.0945097 .2297997
rg10 | .1213545 .0725049 1.67 0.094 -.0207524 .2634615
rg11 | .3815796 .1350726 2.82 0.005 .1168421 .6463171
rg12 | -.1301346 .1770775 -0.73 0.462 -.4772001 .216931
_cons | -2.738427 .1203929 -22.75 0.000 -2.974393 -2.502461
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
59
(11733 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 6.82914464 6.99899504 -.169850403 .039514726 -4.30
ATT | 6.82914464 6.94347054 -.114325898 .048706222 -2.35
ATU | 6.99899504 6.88675456 -.112240483
ATE | -.112257425
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 54,454 | 54,454
Treated | 446 | 446
-----------+-----------+----------
Total | 54,900 | 54,900
Selección en No Observables
Heckit . probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc
experiencia experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com
sector_trans sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7
rg8 rg9 rg10 rg11 rg12 if indepe==0
Iteration 0: log likelihood = -2650.2491
Iteration 1: log likelihood = -2355.0072
Iteration 2: log likelihood = -2297.1928
Iteration 3: log likelihood = -2295.1155
Iteration 4: log likelihood = -2295.1057
Iteration 5: log likelihood = -2295.1057
Probit regression Number of obs = 56303
LR chi2(39) = 710.29
Prob > chi2 = 0.0000
Log likelihood = -2295.1057 Pseudo R2 = 0.1340
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | .0079217 .0448064 0.18 0.860 -.0798973 .0957406
gto_mun | .0001762 .0001784 0.99 0.324 -.0001736 .0005259
luz | -.238401 .2430385 -0.98 0.327 -.7147478 .2379457
agua | -.1871519 .172411 -1.09 0.278 -.5250713 .1507675
alcan | -.1513064 .1230319 -1.23 0.219 -.3924444 .0898317
lyauth_t_c | -.1590692 .0755999 -2.10 0.035 -.3072423 -.0108962
tiene_omil | .105236 .0533676 1.97 0.049 .0006374 .2098347
esc | -.0376126 .0062291 -6.04 0.000 -.0498213 -.0254038
experiencia | -.0025846 .0043101 -0.60 0.549 -.0110323 .005863
experiencia2 | .0000353 .000068 0.52 0.603 -.0000979 .0001685
rural | -.1522757 .050472 -3.02 0.003 -.251199 -.0533525
contrato_si | .3916509 .0570735 6.86 0.000 .2797889 .5035129
indefinido | -.3280193 .0447691 -7.33 0.000 -.415765 -.2402736
sector_noesp | .5461415 .2622274 2.08 0.037 .0321853 1.060098
60
sector_min | .1836138 .1499212 1.22 0.221 -.1102264 .477454
sector_ind | .5091 .0769836 6.61 0.000 .358215 .6599851
sector_energ | .6490151 .1786733 3.63 0.000 .2988219 .9992083
sector_const | .4592907 .0728378 6.31 0.000 .3165312 .6020502
sector_com | .5288306 .0888904 5.95 0.000 .3546087 .7030525
sector_trans | .3664115 .1033231 3.55 0.000 .1639019 .5689211
sector_fin | .5941345 .1120613 5.30 0.000 .3744984 .8137706
sector_ser~m | 1.139287 .0651631 17.48 0.000 1.011569 1.267004
pers2a5 | -.2546453 .0783507 -3.25 0.001 -.4082098 -.1010809
pers6a9 | -.1023612 .1041021 -0.98 0.325 -.3063976 .1016752
pers10a49 | .1116101 .0598606 1.86 0.062 -.0057145 .2289346
pers50a199 | .1099401 .0652268 1.69 0.092 -.0179021 .2377823
pers200omas | .0355656 .0618276 0.58 0.565 -.0856143 .1567455
rg1 | .0247734 .1241715 0.20 0.842 -.2185983 .2681451
rg2 | .0594713 .1193197 0.50 0.618 -.174391 .2933336
rg3 | .1929554 .1107419 1.74 0.081 -.0240948 .4100055
rg4 | -.0917844 .1141087 -0.80 0.421 -.3154334 .1318646
rg5 | -.1183855 .0775831 -1.53 0.127 -.2704456 .0336747
rg6 | .0538096 .0825493 0.65 0.514 -.1079841 .2156033
rg7 | -.1067934 .091063 -1.17 0.241 -.2852737 .0716868
rg8 | .0181095 .0751874 0.24 0.810 -.129255 .165474
rg9 | -.0926235 .0952478 -0.97 0.331 -.2793057 .0940587
rg10 | -.0186378 .082557 -0.23 0.821 -.1804465 .1431709
rg11 | .3079692 .1356317 2.27 0.023 .042136 .5738024
rg12 | -.2003759 .1886135 -1.06 0.288 -.5700516 .1692999
_cons | -.1999723 .991694 -0.20 0.840 -2.143657 1.743712
------------------------------------------------------------------------------
. predict proylin_77, xb
(248 missing values generated)
. gen lambda_omil_77= (normalden(proylin_77)/normal(proylin_77))
(248 missing values generated)
. reg lytrabajhr lambda_omil_77 familiar amigo compa empl omil puente priv estud
internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com
sector_trans sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0, robust
Linear regression Number of obs = 54900
F( 43, 54856) = 349.64
Prob > F = 0.0000
R-squared = 0.2335
Root MSE = .72801
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~77 | .5371057 .0417913 12.85 0.000 .4551944 .619017
familiar | .0145348 .00938 1.55 0.121 -.00385 .0329197
amigo | -.1029989 .0083127 -12.39 0.000 -.1192919 -.0867058
compa | -.0106203 .0156072 -0.68 0.496 -.0412105 .01997
empl | -.045157 .0134603 -3.35 0.001 -.0715393 -.0187747
omil | -.2296614 .0287684 -7.98 0.000 -.2860476 -.1732751
puente | -.1482135 .1111692 -1.33 0.182 -.3661059 .069679
priv | -.0440362 .0498217 -0.88 0.377 -.1416871 .0536146
estud | .1637718 .0233204 7.02 0.000 .1180637 .2094798
internet | .1414152 .0617154 2.29 0.022 .0204525 .2623779
61
muni | -.0813174 .0279463 -2.91 0.004 -.1360922 -.0265425
esc | .0730261 .001942 37.60 0.000 .0692198 .0768323
experiencia | .02411 .0007305 33.00 0.000 .0226782 .0255418
experiencia2 | -.0001816 .000013 -14.00 0.000 -.0002071 -.0001562
rural | -.0582106 .0085919 -6.78 0.000 -.0750509 -.0413703
contrato_si | .1070352 .0171058 6.26 0.000 .0735076 .1405627
indefinido | -.1229419 .0146315 -8.40 0.000 -.1516198 -.094264
pers2a5 | -.2309765 .0155524 -14.85 0.000 -.2614593 -.2004937
pers6a9 | -.2308168 .0144693 -15.95 0.000 -.2591768 -.2024568
pers10a49 | -.0536386 .010868 -4.94 0.000 -.0749401 -.0323372
pers50a199 | -.0071553 .011603 -0.62 0.537 -.0298972 .0155866
pers200omas | .0631291 .0104563 6.04 0.000 .0426346 .0836236
sector_noesp | .523003 .0498975 10.48 0.000 .4252035 .6208024
sector_min | .3643882 .019647 18.55 0.000 .3258799 .4028966
sector_ind | .3209921 .0217424 14.76 0.000 .2783769 .3636073
sector_energ | .4472432 .0387444 11.54 0.000 .3713039 .5231826
sector_const | .3016215 .0198605 15.19 0.000 .2626948 .3405482
sector_com | .3023752 .0232845 12.99 0.000 .2567375 .348013
sector_trans | .2129497 .0192248 11.08 0.000 .1752689 .2506304
sector_fin | .5060441 .0282844 17.89 0.000 .4506065 .5614817
sector_ser~m | .6923762 .0442389 15.65 0.000 .6056676 .7790848
rg1 | .00937 .0229963 0.41 0.684 -.0357029 .0544429
rg2 | .1099131 .0224106 4.90 0.000 .0659883 .153838
rg3 | .2261817 .0207055 10.92 0.000 .1855987 .2667648
rg4 | -.0969571 .0167579 -5.79 0.000 -.1298026 -.0641115
rg5 | -.1358299 .0115182 -11.79 0.000 -.1584057 -.113254
rg6 | -.0488492 .012158 -4.02 0.000 -.072679 -.0250195
rg7 | -.1365824 .0129447 -10.55 0.000 -.161954 -.1112107
rg8 | -.108321 .01275 -8.50 0.000 -.1333111 -.083331
rg9 | -.1254646 .01399 -8.97 0.000 -.1528851 -.0980442
rg10 | .1181471 .0127164 9.29 0.000 .0932228 .1430713
rg11 | .3630238 .034388 10.56 0.000 .2956229 .4304246
rg12 | .0873174 .0281302 3.10 0.002 .0321819 .1424528
_cons | 4.16427 .1283459 32.45 0.000 3.912711 4.415829
------------------------------------------------------------------------------
Separados por Nivel de Estudios
Mínimos Cuadrados Ordinarios
Educación Básica
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni
///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com
sector_trans sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & esc<9, robust
Linear regression Number of obs = 24022
F( 42, 23979) = 57.93
Prob > F = 0.0000
R-squared = 0.0867
Root MSE = .72805
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
62
-------------+----------------------------------------------------------------
familiar | .0579039 .0148333 3.90 0.000 .0288297 .0869781
amigo | -.0646345 .0128677 -5.02 0.000 -.089856 -.039413
compa | -.0377774 .0240481 -1.57 0.116 -.0849133 .0093584
empl | -.030426 .0184699 -1.65 0.100 -.0666281 .0057761
omil | -.1716698 .0464109 -3.70 0.000 -.2626382 -.0807015
puente | -.1890789 .161373 -1.17 0.241 -.5053801 .1272223
priv | -.1775421 .1301436 -1.36 0.173 -.4326318 .0775476
estud | .0906352 .1190187 0.76 0.446 -.1426488 .3239193
internet | .7035231 .2439419 2.88 0.004 .2253816 1.181665
muni | -.0067642 .045014 -0.15 0.881 -.0949944 .081466
esc | .0403222 .0024378 16.54 0.000 .0355441 .0451004
experiencia | .0175114 .0013965 12.54 0.000 .014774 .0202487
experiencia2 | -.0001631 .0000209 -7.80 0.000 -.0002041 -.0001221
rural | -.030754 .010676 -2.88 0.004 -.0516795 -.0098284
contrato_si | .0035524 .0115095 0.31 0.758 -.019007 .0261117
indefinido | .0439231 .0098897 4.44 0.000 .0245388 .0633074
pers2a5 | -.1542116 .0165288 -9.33 0.000 -.1866091 -.1218141
pers6a9 | -.2376859 .0178169 -13.34 0.000 -.2726082 -.2027635
pers10a49 | -.1643445 .0142865 -11.50 0.000 -.1923469 -.1363421
pers50a199 | -.1453075 .0156475 -9.29 0.000 -.1759776 -.1146375
pers200omas | -.0544697 .0159816 -3.41 0.001 -.0857947 -.0231448
sector_noesp | .0020192 .0781286 0.03 0.979 -.1511178 .1551562
sector_min | .2650767 .0313945 8.44 0.000 .2035415 .3266118
sector_ind | .1035822 .0162855 6.36 0.000 .0716617 .1355028
sector_energ | .1771886 .0523498 3.38 0.001 .0745797 .2797976
sector_const | .1034224 .0147456 7.01 0.000 .0745202 .1323247
sector_com | .1451746 .0264124 5.50 0.000 .0934046 .1969446
sector_trans | .1406487 .0239737 5.87 0.000 .0936587 .1876387
sector_fin | .1150723 .036432 3.16 0.002 .0436634 .1864812
sector_ser~m | .0674541 .0201316 3.35 0.001 .0279948 .1069134
rg1 | -.0371479 .0366595 -1.01 0.311 -.1090029 .0347071
rg2 | .2629468 .0468686 5.61 0.000 .1710813 .3548122
rg3 | .2478673 .0316492 7.83 0.000 .185833 .3099016
rg4 | -.0515901 .0260514 -1.98 0.048 -.1026524 -.0005278
rg5 | -.0430696 .0182274 -2.36 0.018 -.0787965 -.0073427
rg6 | -.0588359 .0172666 -3.41 0.001 -.0926794 -.0249923
rg7 | -.0781133 .0187101 -4.17 0.000 -.1147863 -.0414402
rg8 | -.1887711 .0179061 -10.54 0.000 -.2238681 -.1536741
rg9 | -.1220536 .0210581 -5.80 0.000 -.1633288 -.0807783
rg10 | .1582967 .0181737 8.71 0.000 .1226751 .1939183
rg11 | .2055682 .0485674 4.23 0.000 .1103731 .3007633
rg12 | .3242329 .0487678 6.65 0.000 .228645 .4198207
_cons | 6.266322 .0345363 181.44 0.000 6.198629 6.334016
------------------------------------------------------------------------------
Educación Media
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni
///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com
sector_trans sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & esc>8 &
esc<13, robust
Linear regression Number of obs = 23427
F( 42, 23384) = 90.17
Prob > F = 0.0000
63
R-squared = 0.1363
Root MSE = .67101
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0349998 .0129182 2.71 0.007 .0096793 .0603203
amigo | -.0885333 .0115443 -7.67 0.000 -.1111608 -.0659057
compa | .028258 .021518 1.31 0.189 -.0139187 .0704346
empl | -.0195364 .020292 -0.96 0.336 -.05931 .0202371
omil | -.1969935 .0363427 -5.42 0.000 -.2682276 -.1257595
puente | -.1938649 .1816611 -1.07 0.286 -.5499325 .1622027
priv | -.061606 .0635381 -0.97 0.332 -.1861448 .0629327
estud | .1244174 .0305322 4.07 0.000 .0645722 .1842626
internet | .0954846 .0845108 1.13 0.259 -.0701622 .2611314
muni | -.1420513 .0394505 -3.60 0.000 -.2193768 -.0647258
esc | .0840131 .0045437 18.49 0.000 .0751071 .0929192
experiencia | .025858 .0014113 18.32 0.000 .0230917 .0286243
experiencia2 | -.0002608 .0000338 -7.73 0.000 -.0003269 -.0001946
rural | -.0189893 .0108662 -1.75 0.081 -.0402878 .0023091
contrato_si | -.0980597 .0133325 -7.35 0.000 -.1241923 -.0719271
indefinido | .0500648 .0099164 5.05 0.000 .0306281 .0695016
pers2a5 | -.0714614 .0189487 -3.77 0.000 -.108602 -.0343208
pers6a9 | -.1760789 .0219081 -8.04 0.000 -.2190203 -.1331376
pers10a49 | -.1148106 .0145462 -7.89 0.000 -.143322 -.0862991
pers50a199 | -.0381818 .0153469 -2.49 0.013 -.0682626 -.0081009
pers200omas | .0697682 .0144511 4.83 0.000 .0414432 .0980932
sector_noesp | .2135819 .0603182 3.54 0.000 .0953543 .3318094
sector_min | .3165851 .0247275 12.80 0.000 .2681176 .3650527
sector_ind | .1101415 .0145548 7.57 0.000 .0816131 .1386699
sector_energ | .1560532 .036823 4.24 0.000 .0838777 .2282286
sector_const | .1107977 .0154079 7.19 0.000 .0805973 .1409982
sector_com | .076161 .016949 4.49 0.000 .0429399 .1093822
sector_trans | .0768221 .018289 4.20 0.000 .0409744 .1126697
sector_fin | .1726986 .0237285 7.28 0.000 .1261891 .2192081
sector_ser~m | .1342003 .0172074 7.80 0.000 .1004727 .1679278
rg1 | .0227847 .030642 0.74 0.457 -.0372756 .082845
rg2 | .0810288 .0264481 3.06 0.002 .0291888 .1328687
rg3 | .1737203 .0259837 6.69 0.000 .1227904 .2246501
rg4 | -.0754044 .021973 -3.43 0.001 -.118473 -.0323358
rg5 | -.0744046 .0147011 -5.06 0.000 -.1032198 -.0455894
rg6 | -.0693918 .0164576 -4.22 0.000 -.1016498 -.0371339
rg7 | -.1132701 .019657 -5.76 0.000 -.151799 -.0747412
rg8 | -.1352819 .0154507 -8.76 0.000 -.1655662 -.1049976
rg9 | -.1250487 .0195418 -6.40 0.000 -.1633519 -.0867456
rg10 | .0511395 .0172212 2.97 0.003 .0173848 .0848941
rg11 | .2625735 .0534491 4.91 0.000 .1578099 .3673372
rg12 | .1495103 .0431946 3.46 0.001 .0648461 .2341745
_cons | 5.753552 .0578579 99.44 0.000 5.640147 5.866958
------------------------------------------------------------------------------
Educación Universitaria
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni
///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com
sector_trans sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & esc>12,
64
robust
Linear regression Number of obs = 7451
F( 42, 7408) = 77.67
Prob > F = 0.0000
R-squared = 0.2891
Root MSE = .7784
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | -.0530989 .0278811 -1.90 0.057 -.1077538 .001556
amigo | -.1679494 .024419 -6.88 0.000 -.2158174 -.1200813
compa | -.0194443 .0405056 -0.48 0.631 -.0988469 .0599582
empl | -.0083398 .0466017 -0.18 0.858 -.0996923 .0830127
omil | -.3681965 .0943894 -3.90 0.000 -.5532265 -.1831666
puente | .1554556 .2110701 0.74 0.461 -.2583018 .569213
priv | -.0039913 .0826893 -0.05 0.962 -.1660858 .1581033
estud | .0468896 .0353626 1.33 0.185 -.0224313 .1162104
internet | -.0226691 .091669 -0.25 0.805 -.2023665 .1570282
muni | -.1102012 .0586272 -1.88 0.060 -.2251273 .0047248
esc | .2091098 .0055108 37.95 0.000 .1983072 .2199125
experiencia | .0440881 .0027167 16.23 0.000 .0387625 .0494136
experiencia2 | -.0006342 .000068 -9.33 0.000 -.0007675 -.000501
rural | .0944035 .0286917 3.29 0.001 .0381597 .1506474
contrato_si | -.2503619 .0330071 -7.59 0.000 -.3150652 -.1856585
indefinido | .0121633 .0234747 0.52 0.604 -.0338538 .0581805
pers2a5 | -.0484504 .0452502 -1.07 0.284 -.1371537 .0402529
pers6a9 | -.0751593 .054663 -1.37 0.169 -.1823143 .0319958
pers10a49 | -.0038522 .0317873 -0.12 0.904 -.0661643 .05846
pers50a199 | .0637084 .0343713 1.85 0.064 -.0036692 .1310859
pers200omas | .1424599 .0301796 4.72 0.000 .0832993 .2016205
sector_noesp | .2786361 .0899548 3.10 0.002 .1022991 .4549731
sector_min | .2442159 .0587848 4.15 0.000 .128981 .3594508
sector_ind | .0774025 .0435497 1.78 0.076 -.0079672 .1627723
sector_energ | .0622611 .0834472 0.75 0.456 -.1013191 .2258413
sector_const | .1055785 .0493338 2.14 0.032 .0088702 .2022868
sector_com | -.0178855 .0451829 -0.40 0.692 -.1064568 .0706857
sector_trans | -.0514265 .0509358 -1.01 0.313 -.1512752 .0484222
sector_fin | .1907755 .0470529 4.05 0.000 .0985384 .2830126
sector_ser~m | .0318554 .040085 0.79 0.427 -.0467226 .1104335
rg1 | -.17217 .062252 -2.77 0.006 -.2942017 -.0501384
rg2 | -.0352609 .0540933 -0.65 0.515 -.1412991 .0707772
rg3 | -.1081121 .055851 -1.94 0.053 -.217596 .0013718
rg4 | -.1870743 .0594983 -3.14 0.002 -.3037079 -.0704408
rg5 | -.1780689 .0314402 -5.66 0.000 -.2397006 -.1164373
rg6 | -.1584219 .0378428 -4.19 0.000 -.2326046 -.0842393
rg7 | -.2479152 .0389693 -6.36 0.000 -.3243061 -.1715243
rg8 | -.2065098 .0296164 -6.97 0.000 -.2645664 -.1484532
rg9 | -.140799 .0420634 -3.35 0.001 -.2232552 -.0583427
rg10 | -.1009827 .0396276 -2.55 0.011 -.178664 -.0233014
rg11 | -.0049187 .0601415 -0.08 0.935 -.1228131 .1129757
rg12 | -8.06e-06 .048152 -0.00 1.000 -.0943997 .0943836
_cons | 4.252562 .1023204 41.56 0.000 4.051985 4.453139
Matching
Educación Básica
65
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & esc<9,
outcome(lytrabajhr) neighbor(1) ate
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 65 obs not used
Probit regression Number of obs = 23957
LR chi2(31) = 470.74
Prob > chi2 = 0.0000
Log likelihood = -892.17549 Pseudo R2 = 0.2087
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.0261655 .0144566 -1.81 0.070 -.0545 .002169
experiencia | -.010881 .0081995 -1.33 0.184 -.0269518 .0051897
experiencia2 | .0001733 .0001114 1.56 0.120 -.000045 .0003917
rural | -.0141652 .0679066 -0.21 0.835 -.1472596 .1189293
contrato_si | .4319066 .086697 4.98 0.000 .2619835 .6018297
indefinido | -.4254641 .0745681 -5.71 0.000 -.5716149 -.2793133
pers2a5 | -.1096218 .1098922 -1.00 0.319 -.3250066 .1057629
pers6a9 | .0645631 .1504795 0.43 0.668 -.2303714 .3594976
pers10a49 | .1610316 .0974535 1.65 0.098 -.0299737 .3520369
pers50a199 | .2118684 .1065568 1.99 0.047 .0030208 .420716
pers200omas | .2392212 .1037063 2.31 0.021 .0359606 .4424817
sector_min | -.1110717 .3289925 -0.34 0.736 -.755885 .5337417
sector_ind | .3300076 .1350548 2.44 0.015 .065305 .5947102
sector_energ | .7696452 .2937386 2.62 0.009 .1939281 1.345362
sector_const | .5733731 .0974315 5.88 0.000 .382411 .7643353
sector_com | .567088 .1563019 3.63 0.000 .2607418 .8734341
sector_trans | .5160382 .1567791 3.29 0.001 .2087568 .8233196
sector_fin | .4693966 .2710671 1.73 0.083 -.0618851 1.000678
sector_ser~m | 1.382618 .0888549 15.56 0.000 1.208466 1.556771
rg1 | .1714134 .2306347 0.74 0.457 -.2806222 .6234491
rg2 | .5299136 .1880389 2.82 0.005 .1613643 .898463
rg3 | .2069048 .2281803 0.91 0.365 -.2403204 .6541299
rg4 | .3866002 .1677422 2.30 0.021 .0578315 .7153689
rg5 | .1037007 .1433421 0.72 0.469 -.1772446 .384646
rg6 | .1820604 .1384439 1.32 0.188 -.0892846 .4534054
rg7 | .208997 .1421826 1.47 0.142 -.0696757 .4876698
rg8 | .4403105 .116595 3.78 0.000 .2117885 .6688325
rg9 | .2911241 .1422344 2.05 0.041 .0123499 .5698983
rg10 | .3890598 .1250394 3.11 0.002 .143987 .6341325
rg11 | .6315673 .2339307 2.70 0.007 .1730716 1.090063
rg12 | .0832405 .3241628 0.26 0.797 -.5521069 .718588
_cons | -3.139423 .218752 -14.35 0.000 -3.56817 -2.710677
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(42676 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 6.63929043 6.7653791 -.126088672 .054886879 -2.30
ATT | 6.63929043 6.80126966 -.16197923 .060958391 -2.66
ATU | 6.7653791 6.69980072 -.06557838
ATE | -.066359019
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
66
Untreated | 23,763 | 23,763
Treated | 194 | 194
-----------+-----------+----------
Total | 23,957 | 23,957
Educación Media
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & esc>8 & esc<13,
outcome(lytrabajhr) neighbor(1) ate
Probit regression Number of obs = 23427
LR chi2(32) = 227.23
Prob > chi2 = 0.0000
Log likelihood = -1028.6743 Pseudo R2 = 0.0995
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.0649113 .0268602 -2.42 0.016 -.1175562 -.0122663
experiencia | .0002253 .0073053 0.03 0.975 -.0140929 .0145435
experiencia2 | -.0000491 .0001558 -0.32 0.752 -.0003545 .0002562
rural | -.2507749 .0814099 -3.08 0.002 -.4103354 -.0912144
contrato_si | .2896782 .0888135 3.26 0.001 .115607 .4637495
indefinido | -.253475 .0668171 -3.79 0.000 -.3844341 -.1225159
pers2a5 | -.3063131 .1290367 -2.37 0.018 -.5592204 -.0534058
pers6a9 | -.3494181 .1979236 -1.77 0.077 -.7373412 .038505
pers10a49 | .1460555 .0894082 1.63 0.102 -.0291814 .3212924
pers50a199 | .0690467 .0971568 0.71 0.477 -.1213771 .2594705
pers200omas | -.0134733 .0902885 -0.15 0.881 -.1904355 .1634889
sector_noesp | .290331 .3833295 0.76 0.449 -.460981 1.041643
sector_min | .0616978 .202489 0.30 0.761 -.3351733 .4585689
sector_ind | .3886855 .1137687 3.42 0.001 .1657029 .6116681
sector_energ | .5153881 .2405649 2.14 0.032 .0438895 .9868867
sector_const | .1818188 .1209424 1.50 0.133 -.0552239 .4188614
sector_com | .1818855 .1362233 1.34 0.182 -.0851073 .4488782
sector_trans | .0738921 .1535658 0.48 0.630 -.2270914 .3748756
sector_fin | .4658318 .1477194 3.15 0.002 .1763072 .7553565
sector_ser~m | .8864026 .1056046 8.39 0.000 .6794214 1.093384
rg1 | .1864937 .1446115 1.29 0.197 -.0969396 .4699269
rg2 | -.1333421 .1645444 -0.81 0.418 -.4558432 .189159
rg3 | .1221548 .1520623 0.80 0.422 -.1758818 .4201914
rg4 | -.2755084 .1883762 -1.46 0.144 -.6447189 .0937021
rg5 | -.1768542 .1041019 -1.70 0.089 -.3808901 .0271818
rg6 | .0396777 .1059369 0.37 0.708 -.1679549 .2473103
rg7 | -.1267428 .1320771 -0.96 0.337 -.3856091 .1321236
rg8 | -.0122867 .0909925 -0.14 0.893 -.1906287 .1660553
rg9 | -.0865664 .1250563 -0.69 0.489 -.3316723 .1585395
rg10 | -.1046693 .1142517 -0.92 0.360 -.3285985 .11926
rg11 | .2991431 .1989743 1.50 0.133 -.0908393 .6891256
rg12 | -.037124 .2319646 -0.16 0.873 -.4917664 .4175183
_cons | -2.012918 .3310183 -6.08 0.000 -2.661702 -1.364134
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(43206 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 6.86694575 6.99894395 -.131998199 .05147841 -2.56
ATT | 6.86694575 7.08246451 -.215518766 .057916116 -3.72
ATU | 6.99894395 6.8718791 -.127064847
ATE | -.12781244
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
67
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 23,229 | 23,229
Treated | 198 | 198
-----------+-----------+----------
Total | 23,427 | 23,427
Educación Universitaria
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & esc>12,
outcome(lytrabajhr) neighbor(1) ate
note: sector_energ != 0 predicts failure perfectly
sector_energ dropped and 111 obs not used
note: rg12 != 0 predicts failure perfectly
rg12 dropped and 201 obs not used
Probit regression Number of obs = 7139
LR chi2(30) = 76.00
Prob > chi2 = 0.0000
Log likelihood = -279.55221 Pseudo R2 = 0.1197
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.03131 .0333534 -0.94 0.348 -.0966814 .0340614
experiencia | .0136572 .0164711 0.83 0.407 -.0186256 .04594
experiencia2 | -.0002875 .0004107 -0.70 0.484 -.0010925 .0005175
rural | .0857376 .1475684 0.58 0.561 -.203491 .3749663
contrato_si | .4545652 .1881421 2.42 0.016 .0858136 .8233169
indefinido | -.3828553 .1255878 -3.05 0.002 -.6290029 -.1367078
pers2a5 | -.5259555 .3465384 -1.52 0.129 -1.205158 .1532472
pers6a9 | .147682 .2632905 0.56 0.575 -.368358 .663722
pers10a49 | -.0072742 .168252 -0.04 0.966 -.3370421 .3224938
pers50a199 | .0371643 .1782654 0.21 0.835 -.3122295 .3865581
pers200omas | -.3001233 .1764993 -1.70 0.089 -.6460555 .0458089
sector_noesp | .938089 .507265 1.85 0.064 -.0561321 1.93231
sector_min | .3645752 .4767878 0.76 0.444 -.5699116 1.299062
sector_ind | .5365839 .3793596 1.41 0.157 -.2069473 1.280115
sector_const | .4184991 .4006429 1.04 0.296 -.3667465 1.203745
sector_com | .7330217 .3687882 1.99 0.047 .0102101 1.455833
sector_trans | .2937387 .4640383 0.63 0.527 -.6157596 1.203237
sector_fin | .1819414 .4596291 0.40 0.692 -.7189151 1.082798
sector_ser~m | .9797368 .3444673 2.84 0.004 .3045934 1.65488
rg1 | .4737593 .2851541 1.66 0.097 -.0851325 1.032651
rg2 | .0575969 .3702022 0.16 0.876 -.6679861 .7831799
rg3 | .5279685 .2746882 1.92 0.055 -.0104105 1.066348
rg4 | .2126388 .3162572 0.67 0.501 -.4072139 .8324916
rg5 | .1579754 .2059672 0.77 0.443 -.2457129 .5616636
rg6 | .6222463 .1931453 3.22 0.001 .2436885 1.000804
rg7 | .2489065 .2574744 0.97 0.334 -.2557341 .753547
rg8 | .2667482 .18563 1.44 0.151 -.0970799 .6305763
rg9 | .3126034 .2290287 1.36 0.172 -.1362847 .7614915
rg10 | .257573 .2206923 1.17 0.243 -.1749759 .690122
rg11 | .5056745 .3275613 1.54 0.123 -.136334 1.147683
_cons | -3.05779 .643654 -4.75 0.000 -4.319328 -1.796251
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
68
(59494 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 7.37260942 7.75013984 -.377530423 .126362907 -2.99
ATT | 7.37260942 7.55485951 -.182250094 .154056014 -1.18
ATU | 7.75013984 6.8438235 -.90631634
ATE | -.900839442
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 7,085 | 7,085
Treated | 54 | 54
-----------+-----------+----------
Total | 7,139 | 7,139
Heckit
Educación Básica . probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & esc<9
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 70 obs not used
Iteration 0: log likelihood = -1156.3027
Iteration 1: log likelihood = -966.44292
Iteration 2: log likelihood = -904.17782
Iteration 3: log likelihood = -901.08406
Iteration 4: log likelihood = -901.05705
Iteration 5: log likelihood = -901.05704
Probit regression Number of obs = 24537
LR chi2(38) = 510.49
Prob > chi2 = 0.0000
Log likelihood = -901.05704 Pseudo R2 = 0.2207
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | .0502112 .073618 0.68 0.495 -.0940774 .1944997
gto_mun | .0001848 .0002672 0.69 0.489 -.0003389 .0007085
luz | -.4757766 .3825549 -1.24 0.214 -1.22557 .2740172
agua | .1889464 .2541247 0.74 0.457 -.3091288 .6870216
alcan | -.2526871 .1876151 -1.35 0.178 -.620406 .1150317
lyauth_t_c | -.3863108 .1396076 -2.77 0.006 -.6599367 -.1126849
tiene_omil | .0878358 .0800916 1.10 0.273 -.0691409 .2448125
esc | -.0264268 .0145509 -1.82 0.069 -.054946 .0020924
experiencia | -.0125026 .0084381 -1.48 0.138 -.029041 .0040359
experiencia2 | .0001856 .0001125 1.65 0.099 -.000035 .0004061
rural | -.0734693 .0715161 -1.03 0.304 -.2136384 .0666998
contrato_si | .4453912 .0864308 5.15 0.000 .2759899 .6147926
indefinido | -.4113843 .0747774 -5.50 0.000 -.5579454 -.2648232
sector_min | -.0947515 .3314695 -0.29 0.775 -.7444198 .5549168
sector_ind | .3373778 .1350369 2.50 0.012 .0727103 .6020454
sector_energ | .7479607 .2929748 2.55 0.011 .1737407 1.322181
sector_const | .5960218 .0969767 6.15 0.000 .405951 .7860925
69
sector_com | .5936412 .1557277 3.81 0.000 .2884205 .8988619
sector_trans | .5461805 .1567969 3.48 0.000 .2388643 .8534968
sector_fin | .535755 .2710875 1.98 0.048 .0044332 1.067077
sector_ser~m | 1.396393 .088874 15.71 0.000 1.222203 1.570583
pers2a5 | -.1498114 .1092429 -1.37 0.170 -.3639235 .0643008
pers6a9 | .0142908 .1512624 0.09 0.925 -.2821781 .3107596
pers10a49 | .1224644 .0967494 1.27 0.206 -.067161 .3120897
pers50a199 | .1773261 .1060728 1.67 0.095 -.0305729 .385225
pers200omas | .2226701 .1025846 2.17 0.030 .021608 .4237321
rg1 | -.2741501 .2832307 -0.97 0.333 -.8292722 .2809719
rg2 | .4914774 .206478 2.38 0.017 .086788 .8961669
rg3 | .2577261 .2169391 1.19 0.235 -.1674669 .682919
rg4 | .125437 .1806047 0.69 0.487 -.2285418 .4794158
rg5 | -.02617 .1468718 -0.18 0.859 -.3140335 .2616935
rg6 | -.0026671 .1489867 -0.02 0.986 -.2946755 .2893414
rg7 | -.0075314 .1522665 -0.05 0.961 -.3059683 .2909055
rg8 | .1872398 .1398381 1.34 0.181 -.0868379 .4613174
rg9 | .0866592 .160558 0.54 0.589 -.2280288 .4013471
rg10 | .2454204 .1384232 1.77 0.076 -.025884 .5167248
rg11 | .5656567 .2361791 2.40 0.017 .1027542 1.028559
rg12 | .0483395 .3447684 0.14 0.888 -.627394 .7240731
_cons | 2.39436 1.828164 1.31 0.190 -1.188775 5.977495
------------------------------------------------------------------------------
. predict proylin_81, xb
(612 missing values generated)
. gen lambda_omil_81= (normalden(proylin_81)/normal(proylin_81))
(612 missing values generated)
. reg lytrabajhr lambda_omil_81 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & esc<9, robust
Linear regression Number of obs = 23957
F( 42, 23914) = 58.89
Prob > F = 0.0000
R-squared = 0.0894
Root MSE = .72724
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~81 | .3256061 .0402829 8.08 0.000 .2466491 .4045631
familiar | .0566072 .0148366 3.82 0.000 .0275265 .0856878
amigo | -.0669949 .0128701 -5.21 0.000 -.0922211 -.0417687
compa | -.041824 .0240911 -1.74 0.083 -.0890441 .0053961
empl | -.0340108 .018467 -1.84 0.066 -.0702073 .0021857
omil | -.1613101 .0466162 -3.46 0.001 -.2526807 -.0699395
puente | -.1820771 .162345 -1.12 0.262 -.5002836 .1361295
priv | -.1792117 .1320267 -1.36 0.175 -.4379924 .079569
estud | .0898344 .1177409 0.76 0.445 -.1409453 .320614
internet | .7156436 .2482952 2.88 0.004 .2289694 1.202318
muni | -.0029614 .0452554 -0.07 0.948 -.0916649 .0857422
esc | .0322323 .0025967 12.41 0.000 .0271426 .0373219
experiencia | .0141838 .0014453 9.81 0.000 .0113508 .0170168
experiencia2 | -.0001119 .0000217 -5.16 0.000 -.0001544 -.0000694
rural | -.0355126 .0107041 -3.32 0.001 -.0564933 -.0145318
contrato_si | .1347583 .0199243 6.76 0.000 .0957054 .1738113
indefinido | -.0829384 .0187333 -4.43 0.000 -.1196568 -.04622
pers2a5 | -.1999893 .0175218 -11.41 0.000 -.2343332 -.1656454
pers6a9 | -.2324105 .0178267 -13.04 0.000 -.267352 -.197469
pers10a49 | -.1267728 .0149452 -8.48 0.000 -.1560663 -.0974792
pers50a199 | -.0924944 .0168222 -5.50 0.000 -.1254671 -.0595218
pers200omas | .0108818 .0177973 0.61 0.541 -.0240021 .0457657
70
sector_noesp | (dropped)
sector_min | .2290807 .0317319 7.22 0.000 .1668841 .2912772
sector_ind | .1960194 .0199805 9.81 0.000 .1568564 .2351823
sector_energ | .4053923 .0594005 6.82 0.000 .2889635 .5218211
sector_const | .2697384 .0249543 10.81 0.000 .2208264 .3186503
sector_com | .3077283 .0333008 9.24 0.000 .2424566 .373
sector_trans | .2920915 .0304487 9.59 0.000 .2324102 .3517728
sector_fin | .2527944 .0406258 6.22 0.000 .1731654 .3324235
sector_ser~m | .4669953 .0525955 8.88 0.000 .3639048 .5700858
rg1 | -.0198209 .036205 -0.55 0.584 -.090785 .0511431
rg2 | .3964334 .04944 8.02 0.000 .2995278 .4933389
rg3 | .3284557 .0326881 10.05 0.000 .2643851 .3925264
rg4 | .054929 .0294796 1.86 0.062 -.002853 .112711
rg5 | -.0178514 .0184161 -0.97 0.332 -.0539482 .0182454
rg6 | -.0092203 .0181047 -0.51 0.611 -.0447067 .0262661
rg7 | -.025571 .0197014 -1.30 0.194 -.064187 .013045
rg8 | -.0599757 .0235732 -2.54 0.011 -.1061808 -.0137707
rg9 | -.038709 .0232041 -1.67 0.095 -.0841906 .0067725
rg10 | .260526 .0220124 11.84 0.000 .2173804 .3036716
rg11 | .3725758 .0532096 7.00 0.000 .2682815 .47687
rg12 | .3361335 .0487193 6.90 0.000 .2406406 .4316263
_cons | 5.1723 .140059 36.93 0.000 4.897775 5.446824
------------------------------------------------------------------------------
Educación Media
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & esc>8 & esc<13
Iteration 0: log likelihood = -1161.767
Iteration 1: log likelihood = -1063.1549
Iteration 2: log likelihood = -1043.4966
Iteration 3: log likelihood = -1042.7878
Iteration 4: log likelihood = -1042.7845
Iteration 5: log likelihood = -1042.7845
Probit regression Number of obs = 24039
LR chi2(39) = 237.97
Prob > chi2 = 0.0000
Log likelihood = -1042.7845 Pseudo R2 = 0.1024
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | -.0224029 .0668968 -0.33 0.738 -.1535182 .1087123
gto_mun | .0002879 .0003048 0.94 0.345 -.0003095 .0008853
luz | -.1902518 .3833356 -0.50 0.620 -.9415757 .5610721
agua | -.2674039 .2866562 -0.93 0.351 -.8292397 .2944319
alcan | -.0057642 .1913575 -0.03 0.976 -.380818 .3692895
lyauth_t_c | -.0738273 .1041615 -0.71 0.478 -.2779801 .1303255
tiene_omil | .0711258 .0844129 0.84 0.399 -.0943204 .2365719
esc | -.062189 .0267659 -2.32 0.020 -.1146491 -.0097288
experiencia | .0016166 .0079046 0.20 0.838 -.0138761 .0171093
experiencia2 | -.0000576 .0001608 -0.36 0.720 -.0003728 .0002575
rural | -.3090883 .0882511 -3.50 0.000 -.4820573 -.1361193
contrato_si | .3068133 .0886339 3.46 0.001 .1330941 .4805325
indefinido | -.2475401 .0667567 -3.71 0.000 -.3783808 -.1166993
sector_noesp | .2702854 .3817367 0.71 0.479 -.4779049 1.018476
sector_min | .0432528 .2012043 0.21 0.830 -.3511004 .4376059
sector_ind | .3743167 .1122115 3.34 0.001 .1543862 .5942473
sector_energ | .4795244 .2411321 1.99 0.047 .0069142 .9521345
sector_const | .1585741 .1200116 1.32 0.186 -.0766444 .3937926
sector_com | .1622158 .1354484 1.20 0.231 -.1032582 .4276897
sector_trans | .055785 .1526247 0.37 0.715 -.2433539 .3549239
sector_fin | .443822 .1470364 3.02 0.003 .155636 .7320081
71
sector_ser~m | .8553153 .1041897 8.21 0.000 .6511073 1.059523
pers2a5 | -.3133179 .1286893 -2.43 0.015 -.5655443 -.0610914
pers6a9 | -.348364 .1974165 -1.76 0.078 -.7352933 .0385653
pers10a49 | .1409397 .0892757 1.58 0.114 -.0340374 .3159168
pers50a199 | .0776852 .0965337 0.80 0.421 -.1115174 .2668878
pers200omas | .0004915 .0896539 0.01 0.996 -.175227 .17621
rg1 | .0686807 .1583787 0.43 0.665 -.2417359 .3790972
rg2 | -.183652 .172131 -1.07 0.286 -.5210225 .1537185
rg3 | .0819877 .1525903 0.54 0.591 -.2170837 .3810591
rg4 | -.3505322 .1927997 -1.82 0.069 -.7284126 .0273482
rg5 | -.2181441 .1079276 -2.02 0.043 -.4296784 -.0066098
rg6 | .0211293 .1202308 0.18 0.860 -.2145188 .2567774
rg7 | -.1510672 .1375695 -1.10 0.272 -.4206984 .1185641
rg8 | -.1102746 .1082337 -1.02 0.308 -.3224087 .1018594
rg9 | -.2010373 .1457539 -1.38 0.168 -.4867098 .0846352
rg10 | -.2046499 .1320851 -1.55 0.121 -.463532 .0542322
rg11 | .2322669 .2007594 1.16 0.247 -.1612143 .6257481
rg12 | -.1498669 .2512726 -0.60 0.551 -.6423522 .3426184
_cons | -.6898169 1.409253 -0.49 0.624 -3.451902 2.072268
------------------------------------------------------------------------------
. predict proylin_82, xb
(248 missing values generated)
. gen lambda_omil_82= (normalden(proylin_82)/normal(proylin_82))
(248 missing values generated)
. reg lytrabajhr lambda_omil_82 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & esc>8 & esc<13, robust
Linear regression Number of obs = 23427
F( 43, 23383) = 88.78
Prob > F = 0.0000
R-squared = 0.1376
Root MSE = .67055
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~82 | .4854988 .0882959 5.50 0.000 .312433 .6585645
familiar | .035134 .0129075 2.72 0.006 .0098345 .0604336
amigo | -.0872245 .0115396 -7.56 0.000 -.1098428 -.0646062
compa | .0270621 .0215368 1.26 0.209 -.0151514 .0692756
empl | -.0208479 .0202903 -1.03 0.304 -.0606182 .0189223
omil | -.1935057 .0363028 -5.33 0.000 -.2646616 -.1223498
puente | -.1938739 .1814867 -1.07 0.285 -.5495997 .1618518
priv | -.0607459 .0634714 -0.96 0.339 -.185154 .0636623
estud | .125605 .0305797 4.11 0.000 .0656667 .1855433
internet | .1009502 .0848338 1.19 0.234 -.0653295 .2672299
muni | -.1310401 .0396545 -3.30 0.001 -.2087656 -.0533146
esc | .0564338 .0068072 8.29 0.000 .0430914 .0697763
experiencia | .0261223 .0014109 18.51 0.000 .0233568 .0288878
experiencia2 | -.0002812 .0000339 -8.30 0.000 -.0003477 -.0002148
rural | -.1423504 .0251038 -5.67 0.000 -.1915555 -.0931454
contrato_si | .0377663 .0281251 1.34 0.179 -.0173608 .0928935
indefinido | -.0602957 .0226892 -2.66 0.008 -.104768 -.0158234
pers2a5 | -.2129586 .0318352 -6.69 0.000 -.2753576 -.1505595
pers6a9 | -.3338354 .0356206 -9.37 0.000 -.4036542 -.2640167
pers10a49 | -.0538717 .018362 -2.93 0.003 -.0898624 -.0178811
pers50a199 | -.0063013 .016544 -0.38 0.703 -.0387286 .026126
pers200omas | .0680674 .014451 4.71 0.000 .0397426 .0963923
sector_noesp | .3310448 .063807 5.19 0.000 .205979 .4561106
sector_min | .3351657 .024933 13.44 0.000 .2862954 .3840359
sector_ind | .2740951 .03313 8.27 0.000 .2091581 .3390321
72
sector_energ | .3679871 .0532816 6.91 0.000 .2635517 .4724226
sector_const | .1803658 .0198405 9.09 0.000 .1414771 .2192545
sector_com | .1452508 .0209195 6.94 0.000 .1042472 .1862544
sector_trans | .0985455 .0186575 5.28 0.000 .0619756 .1351155
sector_fin | .3660922 .0422034 8.67 0.000 .2833707 .4488137
sector_ser~m | .5116633 .070676 7.24 0.000 .3731338 .6501928
rg1 | .0926378 .0333125 2.78 0.005 .0273432 .1579325
rg2 | .0107217 .0295932 0.36 0.717 -.0472829 .0687262
rg3 | .2188957 .0271212 8.07 0.000 .1657364 .2720549
rg4 | -.2021657 .0321134 -6.30 0.000 -.26511 -.1392214
rg5 | -.1597371 .0216309 -7.38 0.000 -.2021351 -.117339
rg6 | -.0620193 .0164594 -3.77 0.000 -.0942807 -.0297578
rg7 | -.1628109 .021542 -7.56 0.000 -.2050347 -.120587
rg8 | -.1477318 .0156036 -9.47 0.000 -.1783159 -.1171477
rg9 | -.1723268 .0214661 -8.03 0.000 -.2144018 -.1302519
rg10 | -.0032231 .0197007 -0.16 0.870 -.0418379 .0353916
rg11 | .3855487 .0578542 6.66 0.000 .2721508 .4989467
rg12 | .1192692 .043115 2.77 0.006 .0347609 .2037775
_cons | 4.587907 .2185605 20.99 0.000 4.159514 5.0163
Educación Universitaria
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & esc>12
note: sector_energ != 0 predicts failure perfectly
sector_energ dropped and 114 obs not used
note: rg12 != 0 predicts failure perfectly
rg12 dropped and 208 obs not used
Iteration 0: log likelihood = -328.7891
Iteration 1: log likelihood = -292.00791
Iteration 2: log likelihood = -286.19942
Iteration 3: log likelihood = -285.80001
Iteration 4: log likelihood = -285.79248
Iteration 5: log likelihood = -285.79247
Probit regression Number of obs = 7335
LR chi2(37) = 85.99
Prob > chi2 = 0.0000
Log likelihood = -285.79247 Pseudo R2 = 0.1308
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | -.0352958 .1284195 -0.27 0.783 -.2869935 .2164019
gto_mun | -.0004371 .0006744 -0.65 0.517 -.0017588 .0008846
luz | -.5328971 .8016835 -0.66 0.506 -2.104168 1.038374
agua | -.8557509 .5255391 -1.63 0.103 -1.885788 .1742867
alcan | -.3550876 .3848286 -0.92 0.356 -1.109338 .3991625
lyauth_t_c | .0051239 .2120928 0.02 0.981 -.4105704 .4208181
tiene_omil | .231597 .1653542 1.40 0.161 -.0924913 .5556852
esc | -.0253032 .0332827 -0.76 0.447 -.0905361 .0399296
experiencia | .0149029 .0176051 0.85 0.397 -.0196025 .0494082
experiencia2 | -.0003077 .0004273 -0.72 0.471 -.0011452 .0005298
rural | -.0253667 .1603136 -0.16 0.874 -.3395756 .2888422
contrato_si | .4128058 .1812571 2.28 0.023 .0575484 .7680631
indefinido | -.3781114 .1258227 -3.01 0.003 -.6247193 -.1315034
sector_noesp | .9535089 .5063299 1.88 0.060 -.0388795 1.945897
sector_min | .4409545 .4704635 0.94 0.349 -.481137 1.363046
sector_ind | .5603564 .3792428 1.48 0.140 -.1829458 1.303659
sector_const | .4305748 .4010625 1.07 0.283 -.3554933 1.216643
sector_com | .8661406 .3624772 2.39 0.017 .1556983 1.576583
sector_trans | .3191563 .4608988 0.69 0.489 -.5841888 1.222501
73
sector_fin | .1944115 .4621128 0.42 0.674 -.7113129 1.100136
sector_ser~m | .9712964 .343156 2.83 0.005 .298723 1.64387
pers2a5 | -.604228 .3425306 -1.76 0.078 -1.275576 .0671196
pers6a9 | .1032316 .2622952 0.39 0.694 -.4108575 .6173207
pers10a49 | -.0168221 .1668383 -0.10 0.920 -.3438192 .310175
pers50a199 | .0317598 .1766398 0.18 0.857 -.3144478 .3779674
pers200omas | -.276973 .1724073 -1.61 0.108 -.6148851 .0609392
rg1 | .3655416 .3096517 1.18 0.238 -.2413645 .9724477
rg2 | .0352258 .3910953 0.09 0.928 -.7313069 .8017585
rg3 | .5240967 .2738678 1.91 0.056 -.0126744 1.060868
rg4 | .0380067 .3367599 0.11 0.910 -.6220305 .6980439
rg5 | .1562659 .2024997 0.77 0.440 -.2406261 .5531579
rg6 | .5955564 .2160929 2.76 0.006 .1720222 1.019091
rg7 | .1156549 .2725736 0.42 0.671 -.4185796 .6498895
rg8 | .1058182 .2105783 0.50 0.615 -.3069076 .5185441
rg9 | .0002156 .2723424 0.00 0.999 -.5335657 .5339968
rg10 | -.0410443 .2480899 -0.17 0.869 -.5272915 .445203
rg11 | .3839977 .3291928 1.17 0.243 -.2612085 1.029204
_cons | -1.681319 2.791127 -0.60 0.547 -7.151828 3.789191
------------------------------------------------------------------------------
. predict proylin_83, xb
(1795 missing values generated)
. gen lambda_omil_83= (normalden(proylin_83)/normal(proylin_83))
(1795 missing values generated)
. reg lytrabajhr lambda_omil_83 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & esc>12, robust
Linear regression Number of obs = 7139
F( 41, 7097) = 77.88
Prob > F = 0.0000
R-squared = 0.2910
Root MSE = .78161
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~83 | .2311012 .0728004 3.17 0.002 .0883907 .3738117
familiar | -.0560154 .0284808 -1.97 0.049 -.1118461 -.0001846
amigo | -.1680733 .0247857 -6.78 0.000 -.2166607 -.1194859
compa | -.0144319 .041421 -0.35 0.728 -.0956295 .0667656
empl | .0027915 .0473612 0.06 0.953 -.0900506 .0956336
omil | -.3537841 .0953268 -3.71 0.000 -.540653 -.1669152
puente | .1431389 .2142992 0.67 0.504 -.2769514 .5632292
priv | -.0106234 .0826189 -0.13 0.898 -.1725811 .1513343
estud | .0489557 .0364703 1.34 0.180 -.0225369 .1204484
internet | -.0187387 .0928425 -0.20 0.840 -.2007376 .1632603
muni | -.0988703 .0598267 -1.65 0.098 -.2161484 .0184078
esc | .20489 .0059457 34.46 0.000 .1932347 .2165453
experiencia | .0457885 .0028556 16.03 0.000 .0401906 .0513864
experiencia2 | -.0006716 .0000708 -9.49 0.000 -.0008103 -.0005329
rural | .1104626 .0298823 3.70 0.000 .0518843 .1690409
contrato_si | -.1510589 .0443627 -3.41 0.001 -.238023 -.0640947
indefinido | -.0756559 .0353504 -2.14 0.032 -.1449532 -.0063586
pers2a5 | -.1771663 .0615364 -2.88 0.004 -.2977959 -.0565367
pers6a9 | -.0456821 .0564251 -0.81 0.418 -.1562922 .064928
pers10a49 | -.0097461 .0324675 -0.30 0.764 -.0733921 .0538999
pers50a199 | .0713317 .0348222 2.05 0.041 .0030698 .1395936
pers200omas | .0751757 .036022 2.09 0.037 .0045619 .1457895
sector_noesp | .4732766 .1074085 4.41 0.000 .2627239 .6838294
sector_min | .3324689 .0645911 5.15 0.000 .2058511 .4590868
sector_ind | .1940682 .0558938 3.47 0.001 .0844997 .3036366
74
sector_energ | (dropped)
sector_const | .1884705 .0564359 3.34 0.001 .0778392 .2991017
sector_com | .1603417 .0703817 2.28 0.023 .0223726 .2983109
sector_trans | .0126845 .0550169 0.23 0.818 -.095165 .1205341
sector_fin | .2215794 .0484617 4.57 0.000 .12658 .3165788
sector_ser~m | .2343906 .0744601 3.15 0.002 .0884265 .3803547
rg1 | -.060598 .0699089 -0.87 0.386 -.1976403 .0764443
rg2 | -.0451131 .0554237 -0.81 0.416 -.15376 .0635338
rg3 | .0000393 .0677654 0.00 1.000 -.1328011 .1328796
rg4 | -.1502147 .0609318 -2.47 0.014 -.2696593 -.0307702
rg5 | -.1385141 .0347026 -3.99 0.000 -.2065416 -.0704865
rg6 | -.0344292 .056386 -0.61 0.541 -.1449627 .0761042
rg7 | -.1944682 .042719 -4.55 0.000 -.2782102 -.1107263
rg8 | -.1586043 .0340314 -4.66 0.000 -.225316 -.0918927
rg9 | -.0858733 .0458755 -1.87 0.061 -.1758031 .0040564
rg10 | -.0574264 .0420527 -1.37 0.172 -.1398622 .0250094
rg11 | .1045345 .0713066 1.47 0.143 -.0352476 .2443167
rg12 | (dropped)
_cons | 3.457732 .2673136 12.94 0.000 2.933717 3.981746
------------------------------------------------------------------------------
Separados por Quintiles de Ingreso Autónomo del Hogar per Cápita
Mínimos Cuadrados Ordinarios
Quintil 1 . reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==1, robust
Linear regression Number of obs = 11144
F( 42, 11101) = 29.71
Prob > F = 0.0000
R-squared = 0.1101
Root MSE = .64522
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0258244 .0191449 1.35 0.177 -.0117031 .0633519
amigo | .0226631 .016899 1.34 0.180 -.0104621 .0557882
compa | .0556399 .0299751 1.86 0.063 -.0031167 .1143964
empl | .0150952 .0262575 0.57 0.565 -.0363742 .0665647
omil | -.0439196 .0506544 -0.87 0.386 -.1432112 .055372
puente | -.1016087 .1662767 -0.61 0.541 -.4275406 .2243233
priv | -.2430898 .160771 -1.51 0.131 -.5582295 .0720498
estud | .0665362 .0985321 0.68 0.500 -.1266043 .2596767
internet | .1178768 .3947575 0.30 0.765 -.6559181 .8916716
muni | .0478181 .0486016 0.98 0.325 -.0474497 .1430859
esc | .014114 .0025575 5.52 0.000 .0091008 .0191271
experiencia | .018899 .0017116 11.04 0.000 .015544 .022254
experiencia2 | -.0003043 .0000291 -10.45 0.000 -.0003614 -.0002472
rural | -.0535265 .0141549 -3.78 0.000 -.0812727 -.0257804
contrato_si | .206374 .0151999 13.58 0.000 .1765795 .2361684
indefinido | .125408 .0127907 9.80 0.000 .100336 .15048
pers2a5 | -.1236304 .0217801 -5.68 0.000 -.1663232 -.0809376
pers6a9 | -.102092 .0241338 -4.23 0.000 -.1493986 -.0547854
pers10a49 | -.0515634 .0192785 -2.67 0.007 -.0893527 -.013774
pers50a199 | -.0592018 .0218815 -2.71 0.007 -.1020933 -.0163102
pers200omas | -.0184086 .0216866 -0.85 0.396 -.0609181 .0241009
sector_noesp | .2441726 .1065756 2.29 0.022 .0352655 .4530798
sector_min | .074363 .0476362 1.56 0.119 -.0190124 .1677384
75
sector_ind | .0941105 .0208247 4.52 0.000 .0532904 .1349306
sector_energ | .2194573 .0676922 3.24 0.001 .0867686 .3521459
sector_const | .1198839 .0199545 6.01 0.000 .0807696 .1589982
sector_com | .0534581 .0269996 1.98 0.048 .000534 .1063821
sector_trans | .0334003 .026861 1.24 0.214 -.019252 .0860527
sector_fin | .0961754 .031908 3.01 0.003 .0336302 .1587207
sector_ser~m | .1244046 .0260322 4.78 0.000 .0733769 .1754323
rg1 | .0146993 .050663 0.29 0.772 -.0846092 .1140077
rg2 | -.0778732 .0908022 -0.86 0.391 -.2558616 .1001153
rg3 | .0756647 .0424635 1.78 0.075 -.0075714 .1589007
rg4 | -.0046167 .0304361 -0.15 0.879 -.0642768 .0550433
rg5 | .0005497 .0237114 0.02 0.982 -.0459288 .0470282
rg6 | -.0019088 .0246884 -0.08 0.938 -.0503023 .0464848
rg7 | -.0499197 .0261104 -1.91 0.056 -.1011008 .0012614
rg8 | -.1322151 .0225104 -5.87 0.000 -.1763396 -.0880907
rg9 | -.0520394 .0253542 -2.05 0.040 -.1017383 -.0023406
rg10 | .0550761 .0251877 2.19 0.029 .0057038 .1044484
rg11 | .0371057 .0952617 0.39 0.697 -.1496242 .2238356
rg12 | .0230485 .0885354 0.26 0.795 -.1504967 .1965936
_cons | 5.961348 .0448626 132.88 0.000 5.873409 6.049287
------------------------------------------------------------------------------
Quintil 2
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==2, robust
Linear regression Number of obs = 13959
F( 42, 13916) = 36.82
Prob > F = 0.0000
R-squared = 0.1004
Root MSE = .53224
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0313102 .0139154 2.25 0.024 .0040342 .0585862
amigo | -.0132448 .01219 -1.09 0.277 -.0371388 .0106491
compa | .0270752 .0243782 1.11 0.267 -.0207093 .0748598
empl | .0115003 .0180676 0.64 0.524 -.0239147 .0469153
omil | -.0312919 .0404367 -0.77 0.439 -.1105533 .0479696
puente | .1354975 .190705 0.71 0.477 -.2383099 .5093049
priv | -.0044759 .0468422 -0.10 0.924 -.096293 .0873411
estud | .086253 .0372827 2.31 0.021 .0131739 .159332
internet | .0540048 .1548351 0.35 0.727 -.2494928 .3575024
muni | -.0296987 .0513214 -0.58 0.563 -.1302955 .0708981
esc | .0254728 .0019914 12.79 0.000 .0215695 .0293762
experiencia | .0227801 .0011002 20.71 0.000 .0206236 .0249365
experiencia2 | -.0003341 .0000195 -17.12 0.000 -.0003723 -.0002958
rural | .0104323 .0102681 1.02 0.310 -.0096945 .0305591
contrato_si | .0439325 .0122275 3.59 0.000 .019965 .0678999
indefinido | .0890094 .0097408 9.14 0.000 .0699162 .1081027
pers2a5 | -.1477089 .0184292 -8.01 0.000 -.1838326 -.1115851
pers6a9 | -.1324888 .0192412 -6.89 0.000 -.1702043 -.0947734
pers10a49 | -.1091206 .0145588 -7.50 0.000 -.1376578 -.0805835
pers50a199 | -.0641469 .0156877 -4.09 0.000 -.0948969 -.0333969
pers200omas | -.0160331 .0157348 -1.02 0.308 -.0468754 .0148092
sector_noesp | .1617183 .0736238 2.20 0.028 .0174059 .3060308
sector_min | .2016232 .025963 7.77 0.000 .1507322 .2525142
sector_ind | .0742578 .0149022 4.98 0.000 .0450475 .1034682
sector_energ | .0928499 .0403967 2.30 0.022 .0136669 .1720329
sector_const | .1009257 .0151654 6.65 0.000 .0711994 .1306519
sector_com | .0391353 .0201902 1.94 0.053 -.0004403 .0787109
sector_trans | .0537313 .0205892 2.61 0.009 .0133737 .0940889
76
sector_fin | .0905751 .0265524 3.41 0.001 .0385287 .1426215
sector_ser~m | .0769676 .0196901 3.91 0.000 .0383722 .1155629
rg1 | .0964895 .0401513 2.40 0.016 .0177875 .1751915
rg2 | .0226415 .0463235 0.49 0.625 -.0681587 .1134418
rg3 | .1420193 .031555 4.50 0.000 .0801673 .2038713
rg4 | -.0140603 .0248937 -0.56 0.572 -.0628553 .0347346
rg5 | .0004639 .0173771 0.03 0.979 -.0335975 .0345254
rg6 | -.0267843 .016779 -1.60 0.110 -.0596734 .0061048
rg7 | .0047278 .0174752 0.27 0.787 -.0295258 .0389815
rg8 | -.0040751 .0167206 -0.24 0.807 -.0368497 .0286996
rg9 | .0383674 .0207272 1.85 0.064 -.0022606 .0789955
rg10 | .0936032 .0177651 5.27 0.000 .0587813 .1284251
rg11 | .1654614 .0580802 2.85 0.004 .0516163 .2793064
rg12 | -.0337078 .0670308 -0.50 0.615 -.165097 .0976815
_cons | 6.176587 .0333785 185.05 0.000 6.111161 6.242013
Quintil 3
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==3, robust
Linear regression Number of obs = 12423
F( 42, 12380) = 44.36
Prob > F = 0.0000
R-squared = 0.1170
Root MSE = .55669
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0244619 .0150296 1.63 0.104 -.0049985 .0539223
amigo | -.0522896 .013454 -3.89 0.000 -.0786616 -.0259177
compa | .0043263 .0236262 0.18 0.855 -.0419848 .0506373
empl | .0251718 .0211342 1.19 0.234 -.0162545 .0665981
omil | -.1055281 .051095 -2.07 0.039 -.2056823 -.0053739
puente | -.0110118 .1555641 -0.07 0.944 -.3159416 .293918
priv | .121664 .0693484 1.75 0.079 -.0142696 .2575977
estud | .1120971 .0355713 3.15 0.002 .0423719 .1818223
internet | .0930096 .0617276 1.51 0.132 -.027986 .2140053
muni | .0295299 .0503167 0.59 0.557 -.0690986 .1281585
esc | .0340347 .0021061 16.16 0.000 .0299063 .038163
experiencia | .0238987 .0011546 20.70 0.000 .0216356 .0261619
experiencia2 | -.0003193 .0000207 -15.40 0.000 -.00036 -.0002787
rural | .0163063 .0121956 1.34 0.181 -.007599 .0402116
contrato_si | -.0595894 .0147973 -4.03 0.000 -.0885943 -.0305844
indefinido | .0716004 .0113181 6.33 0.000 .0494153 .0937856
pers2a5 | -.1559709 .0209187 -7.46 0.000 -.1969749 -.114967
pers6a9 | -.1858466 .023724 -7.83 0.000 -.2323494 -.1393438
pers10a49 | -.1462281 .0160539 -9.11 0.000 -.1776963 -.1147599
pers50a199 | -.1109858 .0171674 -6.46 0.000 -.1446365 -.0773351
pers200omas | -.0272578 .0166757 -1.63 0.102 -.0599447 .0054291
sector_noesp | .0717733 .0717298 1.00 0.317 -.0688283 .2123749
sector_min | .2317419 .0269361 8.60 0.000 .1789429 .2845408
sector_ind | .0712563 .0164096 4.34 0.000 .039091 .1034216
sector_energ | .1097892 .0492134 2.23 0.026 .0133233 .2062551
sector_const | .1145676 .0171432 6.68 0.000 .0809643 .148171
sector_com | .00042 .0209452 0.02 0.984 -.0406359 .0414758
sector_trans | .0247326 .0221594 1.12 0.264 -.0187034 .0681685
sector_fin | .0686457 .0254701 2.70 0.007 .0187204 .1185711
sector_ser~m | .0916092 .0201816 4.54 0.000 .0520501 .1311684
rg1 | -.0389663 .0386858 -1.01 0.314 -.1147966 .036864
rg2 | .1018359 .0296847 3.43 0.001 .0436494 .1600225
rg3 | .1383476 .0290619 4.76 0.000 .0813818 .1953134
rg4 | .028154 .0266642 1.06 0.291 -.0241119 .08042
77
rg5 | -.0323456 .0165762 -1.95 0.051 -.0648375 .0001463
rg6 | -.0383803 .0178452 -2.15 0.032 -.0733597 -.0034009
rg7 | -.0315559 .021221 -1.49 0.137 -.0731523 .0100405
rg8 | .0303374 .0185834 1.63 0.103 -.0060889 .0667637
rg9 | .1016876 .024862 4.09 0.000 .0529542 .1504211
rg10 | .0924514 .0196547 4.70 0.000 .0539251 .1309776
rg11 | .1520548 .062579 2.43 0.015 .0293902 .2747194
rg12 | .0565686 .0362936 1.56 0.119 -.0145724 .1277097
_cons | 6.368775 .0365172 174.40 0.000 6.297196 6.440354
Quintil 4
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==4, robust
Linear regression Number of obs = 10410
F( 42, 10367) = 47.01
Prob > F = 0.0000
R-squared = 0.1434
Root MSE = .62037
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0123408 .017397 0.71 0.478 -.0217605 .0464422
amigo | -.0569552 .015976 -3.57 0.000 -.0882712 -.0256391
compa | -.0310056 .0285702 -1.09 0.278 -.0870087 .0249975
empl | -.0202868 .0284668 -0.71 0.476 -.0760872 .0355137
omil | -.1624281 .0630619 -2.58 0.010 -.2860415 -.0388147
puente | .1300812 .3098632 0.42 0.675 -.4773103 .7374728
priv | -.0239735 .082169 -0.29 0.770 -.1850406 .1370936
estud | .0906724 .0388575 2.33 0.020 .0145041 .1668406
internet | .082262 .0812514 1.01 0.311 -.0770063 .2415304
muni | -.0220392 .0463099 -0.48 0.634 -.1128155 .0687371
esc | .0499358 .0023961 20.84 0.000 .0452389 .0546327
experiencia | .0289928 .001356 21.38 0.000 .0263348 .0316508
experiencia2 | -.0003588 .0000239 -15.00 0.000 -.0004057 -.0003119
rural | -.0273345 .0163964 -1.67 0.096 -.0594747 .0048057
contrato_si | -.1713923 .0198311 -8.64 0.000 -.2102651 -.1325195
indefinido | -.0089714 .015513 -0.58 0.563 -.0393798 .021437
pers2a5 | -.14644 .0243576 -6.01 0.000 -.1941855 -.0986945
pers6a9 | -.2299285 .0291129 -7.90 0.000 -.2869954 -.1728615
pers10a49 | -.0908361 .0205266 -4.43 0.000 -.1310721 -.0506001
pers50a199 | -.0873618 .0224536 -3.89 0.000 -.1313752 -.0433484
pers200omas | .0377179 .0205313 1.84 0.066 -.0025273 .0779632
sector_noesp | .1578009 .0817786 1.93 0.054 -.0025009 .3181027
sector_min | .2173033 .0327059 6.64 0.000 .1531934 .2814132
sector_ind | .070473 .0214619 3.28 0.001 .0284037 .1125424
sector_energ | .2147429 .047625 4.51 0.000 .1213887 .3080971
sector_const | .0673082 .022579 2.98 0.003 .0230489 .1115674
sector_com | .0123102 .0262279 0.47 0.639 -.0391016 .063722
sector_trans | -.0038682 .0274162 -0.14 0.888 -.0576092 .0498728
sector_fin | .0397635 .0321543 1.24 0.216 -.0232651 .1027922
sector_ser~m | .1005223 .0233846 4.30 0.000 .054684 .1463606
rg1 | -.067336 .0393494 -1.71 0.087 -.1444685 .0097965
rg2 | .0308917 .0361017 0.86 0.392 -.0398745 .1016579
rg3 | .1089914 .030841 3.53 0.000 .0485371 .1694457
rg4 | .0221056 .0338837 0.65 0.514 -.0443129 .0885242
rg5 | -.0245322 .0206892 -1.19 0.236 -.0650871 .0160227
rg6 | -.0235375 .0224519 -1.05 0.295 -.0675476 .0204726
rg7 | -.0114357 .0280622 -0.41 0.684 -.066443 .0435716
rg8 | .0342122 .0233614 1.46 0.143 -.0115806 .080005
rg9 | .0651778 .0316725 2.06 0.040 .0030936 .1272619
rg10 | .159329 .0228676 6.97 0.000 .114504 .2041539
78
rg11 | -.0100273 .0570295 -0.18 0.860 -.1218161 .1017615
rg12 | .0777839 .0393577 1.98 0.048 .0006352 .1549326
_cons | 6.503711 .0431335 150.78 0.000 6.419161 6.588261
Quintil 5
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==5, robust
Linear regression Number of obs = 6964
F( 41, 6921) = .
Prob > F = .
R-squared = 0.2354
Root MSE = .79151
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | -.0488595 .0269955 -1.81 0.070 -.101779 .00406
amigo | -.1172056 .0255764 -4.58 0.000 -.1673432 -.067068
compa | -.0158202 .0449178 -0.35 0.725 -.1038728 .0722324
empl | .0322726 .0474476 0.68 0.496 -.0607394 .1252845
omil | -.2199104 .180896 -1.22 0.224 -.5745221 .1347013
puente | .6805089 .0533964 12.74 0.000 .5758356 .7851822
priv | .1163394 .1112914 1.05 0.296 -.1018259 .3345047
estud | .0693579 .0438282 1.58 0.114 -.0165588 .1552746
internet | .111041 .113421 0.98 0.328 -.1112989 .3333809
muni | -.116244 .0667718 -1.74 0.082 -.2471372 .0146492
esc | .0975848 .003292 29.64 0.000 .0911315 .1040381
experiencia | .0375615 .0022445 16.73 0.000 .0331615 .0419615
experiencia2 | -.0003913 .0000414 -9.46 0.000 -.0004723 -.0003102
rural | .0711378 .0270121 2.63 0.008 .0181858 .1240898
contrato_si | -.4172363 .0351755 -11.86 0.000 -.4861911 -.3482815
indefinido | -.105527 .0282221 -3.74 0.000 -.160851 -.0502031
pers2a5 | .0533236 .0345708 1.54 0.123 -.0144458 .121093
pers6a9 | -.0368179 .0633038 -0.58 0.561 -.1609128 .087277
pers10a49 | .0287246 .0360864 0.80 0.426 -.0420158 .099465
pers50a199 | .1407417 .0374503 3.76 0.000 .0673276 .2141558
pers200omas | .1858774 .0324948 5.72 0.000 .1221776 .2495772
sector_noesp | .0888331 .0987204 0.90 0.368 -.1046893 .2823554
sector_min | .1768612 .0506696 3.49 0.000 .0775333 .2761891
sector_ind | -.0990004 .0396741 -2.50 0.013 -.1767738 -.021227
sector_energ | -.0120889 .0947989 -0.13 0.899 -.1979239 .173746
sector_const | -.0702136 .0423594 -1.66 0.097 -.1532509 .0128238
sector_com | -.2281289 .0406753 -5.61 0.000 -.3078651 -.1483928
sector_trans | -.1776973 .045411 -3.91 0.000 -.2667169 -.0886777
sector_fin | .0437011 .0451724 0.97 0.333 -.0448507 .132253
sector_ser~m | -.0991468 .0364372 -2.72 0.007 -.170575 -.0277186
rg1 | -.3086801 .0537147 -5.75 0.000 -.4139774 -.2033827
rg2 | -.0997729 .0436409 -2.29 0.022 -.1853224 -.0142233
rg3 | -.1536564 .0493874 -3.11 0.002 -.2504709 -.056842
rg4 | -.0980527 .0548232 -1.79 0.074 -.2055231 .0094177
rg5 | -.0757345 .0363021 -2.09 0.037 -.1468978 -.0045713
rg6 | -.1415287 .0448083 -3.16 0.002 -.2293666 -.0536908
rg7 | -.1172053 .049596 -2.36 0.018 -.2144287 -.0199819
rg8 | -.1022071 .0355009 -2.88 0.004 -.1717998 -.0326144
rg9 | -.0889361 .0448311 -1.98 0.047 -.1768188 -.0010534
rg10 | -.0699545 .0362812 -1.93 0.054 -.1410768 .0011677
rg11 | -.0764702 .0555051 -1.38 0.168 -.1852773 .032337
rg12 | -.1280175 .0555081 -2.31 0.021 -.2368304 -.0192046
_cons | 6.650868 .0652072 102.00 0.000 6.523042 6.778694
Quintiles 1 y 2
79
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=1 & qaut_2<3,
robust
Linear regression Number of obs = 25103
F( 42, 25060) = 65.91
Prob > F = 0.0000
R-squared = 0.1096
Root MSE = .60572
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0346429 .0118434 2.93 0.003 .0114291 .0578568
amigo | -.0025128 .0103993 -0.24 0.809 -.0228959 .0178704
compa | .0447268 .0195056 2.29 0.022 .0064947 .082959
empl | .0139897 .0159177 0.88 0.379 -.0172099 .0451893
omil | -.0603498 .0330744 -1.82 0.068 -.1251776 .004478
puente | -.0233107 .1366952 -0.17 0.865 -.2912413 .24462
priv | -.1055693 .0700222 -1.51 0.132 -.2428169 .0316784
estud | .0958137 .0370064 2.59 0.010 .0232789 .1683484
internet | .0620683 .1675257 0.37 0.711 -.266292 .3904286
muni | -.0044502 .0359058 -0.12 0.901 -.0748276 .0659273
esc | .0247729 .0016278 15.22 0.000 .0215824 .0279635
experiencia | .0182373 .0009616 18.97 0.000 .0163525 .0201221
experiencia2 | -.0002652 .0000168 -15.77 0.000 -.0002982 -.0002323
rural | -.0235418 .0087959 -2.68 0.007 -.0407823 -.0063014
contrato_si | .1433404 .0099199 14.45 0.000 .1238968 .1627839
indefinido | .1158669 .0080417 14.41 0.000 .1001047 .1316291
pers2a5 | -.1501122 .0146776 -10.23 0.000 -.178881 -.1213433
pers6a9 | -.1350509 .0159029 -8.49 0.000 -.1662215 -.1038802
pers10a49 | -.0862696 .0121868 -7.08 0.000 -.1101564 -.0623828
pers50a199 | -.0577762 .0133841 -4.32 0.000 -.0840099 -.0315425
pers200omas | -.0062646 .0132454 -0.47 0.636 -.0322263 .0196971
sector_noesp | .1987781 .0622625 3.19 0.001 .0767399 .3208163
sector_min | .1737243 .0250466 6.94 0.000 .1246316 .222817
sector_ind | .0936092 .0126973 7.37 0.000 .0687218 .1184967
sector_energ | .1421608 .0368738 3.86 0.000 .0698859 .2144357
sector_const | .1218851 .0127179 9.58 0.000 .0969572 .1468129
sector_com | .059136 .0167499 3.53 0.000 .0263053 .0919667
sector_trans | .0622451 .0170559 3.65 0.000 .0288146 .0956756
sector_fin | .1191344 .0216881 5.49 0.000 .0766244 .1616444
sector_ser~m | .1034201 .0161376 6.41 0.000 .0717895 .1350506
rg1 | .0435238 .0330293 1.32 0.188 -.0212155 .1082632
rg2 | -.0032916 .043763 -0.08 0.940 -.0890696 .0824864
rg3 | .1258106 .026633 4.72 0.000 .0736084 .1780129
rg4 | -.0310485 .0196402 -1.58 0.114 -.0695444 .0074475
rg5 | -.0040396 .0143949 -0.28 0.779 -.0322545 .0241752
rg6 | -.0078159 .0143368 -0.55 0.586 -.0359168 .020285
rg7 | -.0306215 .01557 -1.97 0.049 -.0611397 -.0001034
rg8 | -.0969092 .0139626 -6.94 0.000 -.1242767 -.0695417
rg9 | -.0403095 .0165617 -2.43 0.015 -.0727713 -.0078477
rg10 | .0845064 .0150486 5.62 0.000 .0550102 .1140025
rg11 | .1422615 .0520284 2.73 0.006 .0402827 .2442402
rg12 | .0002171 .0533656 0.00 0.997 -.1043825 .1048167
_cons | 6.050709 .0276291 219.00 0.000 5.996554 6.104863
------------------------------------------------------------------------------
Quintiles 3 y 4
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
80
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=3 & qaut_2<5,
robust
Linear regression Number of obs = 22833
F( 42, 22790) = 101.29
Prob > F = 0.0000
R-squared = 0.1418
Root MSE = .60164
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0205982 .0116699 1.77 0.078 -.0022756 .043472
amigo | -.0644905 .0105988 -6.08 0.000 -.0852649 -.0437161
compa | -.0078206 .0188957 -0.41 0.679 -.0448575 .0292164
empl | -.0005062 .0175024 -0.03 0.977 -.0348122 .0337997
omil | -.1435878 .040718 -3.53 0.000 -.2233979 -.0637777
puente | -.0095124 .1496121 -0.06 0.949 -.3027624 .2837375
priv | .0360345 .0530321 0.68 0.497 -.067912 .1399811
estud | .1066118 .0272277 3.92 0.000 .0532436 .15998
internet | .1111445 .0560341 1.98 0.047 .0013137 .2209752
muni | .0165331 .0351942 0.47 0.639 -.05245 .0855161
esc | .0485829 .0016208 29.97 0.000 .045406 .0517599
experiencia | .0264119 .0008994 29.37 0.000 .0246489 .0281748
experiencia2 | -.0003212 .000016 -20.10 0.000 -.0003526 -.0002899
rural | -.0119615 .0100928 -1.19 0.236 -.0317441 .007821
contrato_si | -.1238636 .0122108 -10.14 0.000 -.1477977 -.0999296
indefinido | .0383419 .009445 4.06 0.000 .019829 .0568547
pers2a5 | -.1505091 .0162682 -9.25 0.000 -.1823959 -.1186222
pers6a9 | -.2142159 .0187265 -11.44 0.000 -.250921 -.1775108
pers10a49 | -.1333337 .0130216 -10.24 0.000 -.1588569 -.1078104
pers50a199 | -.1084441 .0140738 -7.71 0.000 -.1360296 -.0808585
pers200omas | -.0001812 .0133195 -0.01 0.989 -.0262883 .0259258
sector_noesp | .1160641 .0559921 2.07 0.038 .0063158 .2258125
sector_min | .2440985 .0215462 11.33 0.000 .2018664 .2863306
sector_ind | .0765881 .0134631 5.69 0.000 .0501995 .1029767
sector_energ | .1656379 .0360773 4.59 0.000 .0949239 .2363519
sector_const | .0945561 .013992 6.76 0.000 .0671309 .1219814
sector_com | .0143444 .0168478 0.85 0.395 -.0186785 .0473672
sector_trans | .0156382 .0176885 0.88 0.377 -.0190325 .0503089
sector_fin | .0596324 .0206296 2.89 0.004 .0191969 .1000679
sector_ser~m | .1119722 .0154734 7.24 0.000 .0816434 .142301
rg1 | -.0544536 .0280772 -1.94 0.052 -.1094868 .0005797
rg2 | .0696537 .0241456 2.88 0.004 .0223267 .1169807
rg3 | .1374927 .0219111 6.28 0.000 .0945454 .18044
rg4 | .0110923 .0215955 0.51 0.608 -.0312363 .0534209
rg5 | -.0448943 .0134421 -3.34 0.001 -.0712417 -.0185469
rg6 | -.0505743 .0143496 -3.52 0.000 -.0787004 -.0224481
rg7 | -.0401531 .0174068 -2.31 0.021 -.0742717 -.0060346
rg8 | .0142248 .0149846 0.95 0.342 -.0151461 .0435957
rg9 | .0658069 .0199265 3.30 0.001 .0267496 .1048641
rg10 | .1221338 .0154634 7.90 0.000 .0918244 .1524432
rg11 | .084028 .0424629 1.98 0.048 .0007978 .1672581
rg12 | .095885 .0286803 3.34 0.001 .0396697 .1521002
_cons | 6.364706 .0285261 223.12 0.000 6.308793 6.420619
------------------------------------------------------------------------------
Matching
Quintil 1 . psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
81
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==1,
outcome(lytrabajhr) neighbor(1) ate
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 33 obs not used
note: rg12 != 0 predicts failure perfectly
rg12 dropped and 45 obs not used
Probit regression Number of obs = 11066
LR chi2(30) = 281.04
Prob > chi2 = 0.0000
Log likelihood = -539.70769 Pseudo R2 = 0.2066
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.0298559 .0150068 -1.99 0.047 -.0592687 -.0004431
experiencia | -.0223692 .0088877 -2.52 0.012 -.0397887 -.0049497
experiencia2 | .0003374 .0001388 2.43 0.015 .0000653 .0006095
rural | .0099417 .0906887 0.11 0.913 -.1678048 .1876883
contrato_si | .4501781 .1054191 4.27 0.000 .2435604 .6567958
indefinido | -.4900792 .097944 -5.00 0.000 -.6820459 -.2981126
pers2a5 | -.0750569 .1426546 -0.53 0.599 -.3546548 .2045411
pers6a9 | .0465228 .1925618 0.24 0.809 -.3308914 .423937
pers10a49 | .1252763 .1249651 1.00 0.316 -.1196509 .3702035
pers50a199 | .2256256 .1332839 1.69 0.090 -.0356059 .4868572
pers200omas | .1751962 .1364244 1.28 0.199 -.0921908 .4425832
sector_min | .3062749 .3789941 0.81 0.419 -.4365398 1.04909
sector_ind | .4590314 .1631991 2.81 0.005 .139167 .7788958
sector_energ | .5356127 .4180995 1.28 0.200 -.2838473 1.355073
sector_const | .5958314 .1307104 4.56 0.000 .3396437 .852019
sector_com | .4817643 .203058 2.37 0.018 .0837779 .8797507
sector_trans | .2397663 .2667928 0.90 0.369 -.283138 .7626706
sector_fin | .8449618 .2662742 3.17 0.002 .3230739 1.36685
sector_ser~m | 1.410424 .1213455 11.62 0.000 1.172591 1.648257
rg1 | -.1716335 .3064373 -0.56 0.575 -.7722396 .4289726
rg2 | .0613615 .3467184 0.18 0.860 -.6181941 .7409172
rg3 | -.3360442 .4536558 -0.74 0.459 -1.225193 .5531048
rg4 | .066722 .2110335 0.32 0.752 -.3468962 .4803401
rg5 | -.020553 .1707963 -0.12 0.904 -.3553077 .3142016
rg6 | -.2514067 .2056633 -1.22 0.222 -.6544994 .151686
rg7 | .0469018 .1667225 0.28 0.778 -.2798682 .3736718
rg8 | .0918505 .1384657 0.66 0.507 -.1795373 .3632383
rg9 | -.1181494 .1701271 -0.69 0.487 -.4515924 .2152936
rg10 | .1466541 .158387 0.93 0.354 -.1637787 .4570869
rg11 | .5370619 .3768712 1.43 0.154 -.2015922 1.275716
_cons | -2.583278 .2652724 -9.74 0.000 -3.103203 -2.063354
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(55567 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 6.43225758 6.3974373 .034820284 .061670852 0.56
ATT | 6.43225758 6.58061277 -.148355196 .06432253 -2.31
ATU | 6.3974373 6.4247082 .027270902
ATE | .025302924
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
82
Untreated | 10,942 | 10,942
Treated | 124 | 124
-----------+-----------+----------
Total | 11,066 | 11,066
Quintil 2
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==2,
outcome(lytrabajhr) neighbor(1) ate
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 55 obs not used
Probit regression Number of obs = 13904
LR chi2(31) = 224.42
Prob > chi2 = 0.0000
Log likelihood = -624.59066 Pseudo R2 = 0.1523
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.0171524 .0136546 -1.26 0.209 -.043915 .0096102
experiencia | .0036582 .0078532 0.47 0.641 -.0117337 .0190502
experiencia2 | -1.09e-06 .0001247 -0.01 0.993 -.0002454 .0002432
rural | -.2081364 .0925782 -2.25 0.025 -.3895863 -.0266866
contrato_si | .3340786 .1116738 2.99 0.003 .115202 .5529552
indefinido | -.3245798 .0866768 -3.74 0.000 -.4944632 -.1546965
pers2a5 | -.150036 .1529817 -0.98 0.327 -.4498747 .1498027
pers6a9 | -.0293202 .1991531 -0.15 0.883 -.4196532 .3610128
pers10a49 | .1757727 .1180281 1.49 0.136 -.0555582 .4071036
pers50a199 | .1716556 .1287405 1.33 0.182 -.080671 .4239823
pers200omas | .2087811 .1215911 1.72 0.086 -.0295331 .4470953
sector_min | -.0595274 .3476144 -0.17 0.864 -.7408392 .6217843
sector_ind | .4219869 .1489712 2.83 0.005 .1300088 .7139651
sector_energ | .4516244 .3882032 1.16 0.245 -.3092398 1.212489
sector_const | .4570131 .1340754 3.41 0.001 .1942302 .7197959
sector_com | .4939815 .1711638 2.89 0.004 .1585065 .8294564
sector_trans | .3985981 .1854667 2.15 0.032 .0350901 .7621062
sector_fin | .4422128 .2395625 1.85 0.065 -.0273211 .9117468
sector_ser~m | 1.191151 .1225535 9.72 0.000 .9509502 1.431351
rg1 | .1638367 .2223521 0.74 0.461 -.2719654 .5996388
rg2 | .3255223 .2071623 1.57 0.116 -.0805084 .7315531
rg3 | -.0988331 .2823572 -0.35 0.726 -.652243 .4545769
rg4 | .0367076 .1841335 0.20 0.842 -.3241874 .3976027
rg5 | -.0605439 .1350013 -0.45 0.654 -.3251416 .2040537
rg6 | -.0772537 .1425666 -0.54 0.588 -.3566791 .2021716
rg7 | -.2277074 .1721336 -1.32 0.186 -.5650831 .1096682
rg8 | -.0415632 .1193546 -0.35 0.728 -.2754939 .1923675
rg9 | -.0808248 .1580067 -0.51 0.609 -.3905122 .2288625
rg10 | -.0448886 .1393331 -0.32 0.747 -.3179765 .2281992
rg11 | .4473691 .2746056 1.63 0.103 -.090848 .9855862
rg12 | -.1442362 .4245005 -0.34 0.734 -.9762419 .6877695
_cons | -2.903594 .2415524 -12.02 0.000 -3.377028 -2.43016
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(52729 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 6.77085875 6.74621401 .024644741 .04937628 0.50
ATT | 6.77085875 6.77358547 -.00272672 .075117648 -0.04
ATU | 6.74621401 6.75999241 .013778398
ATE | .013624078
83
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 13,774 | 13,774
Treated | 130 | 130
-----------+-----------+----------
Total | 13,904 | 13,904
Quintil 3
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==3,
outcome(lytrabajhr) neighbor(1) ate
note: sector_min != 0 predicts failure perfectly
sector_min dropped and 442 obs not used
note: rg11 != 0 predicts failure perfectly
rg11 dropped and 106 obs not used
note: rg12 != 0 predicts failure perfectly
rg12 dropped and 165 obs not used
Probit regression Number of obs = 11710
LR chi2(29) = 174.88
Prob > chi2 = 0.0000
Log likelihood = -435.50325 Pseudo R2 = 0.1672
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.0179979 .0157414 -1.14 0.253 -.0488504 .0128546
experiencia | .0056141 .0094226 0.60 0.551 -.0128539 .0240821
experiencia2 | -.000049 .0001611 -0.30 0.761 -.0003647 .0002668
rural | -.0523462 .1105339 -0.47 0.636 -.2689886 .1642963
contrato_si | .408554 .1406581 2.90 0.004 .1328692 .6842388
indefinido | -.4301656 .1025389 -4.20 0.000 -.6311381 -.2291931
pers2a5 | -.4722145 .2101055 -2.25 0.025 -.8840137 -.0604153
pers6a9 | -.5885906 .3559923 -1.65 0.098 -1.286323 .1091415
pers10a49 | .0229045 .1351556 0.17 0.865 -.2419956 .2878045
pers50a199 | .0664765 .1422272 0.47 0.640 -.2122836 .3452366
pers200omas | -.1238453 .1385084 -0.89 0.371 -.3953169 .1476262
sector_noesp | 1.088407 .4440276 2.45 0.014 .2181291 1.958685
sector_ind | .9023594 .1945746 4.64 0.000 .5210001 1.283719
sector_energ | .9315435 .408376 2.28 0.023 .1311413 1.731946
sector_const | .6889133 .1968284 3.50 0.000 .3031367 1.07469
sector_com | .7210701 .233256 3.09 0.002 .2638967 1.178243
sector_trans | .426447 .286462 1.49 0.137 -.1350083 .9879022
sector_fin | 1.04214 .2453554 4.25 0.000 .5612525 1.523028
sector_ser~m | 1.404369 .1836029 7.65 0.000 1.044514 1.764224
rg1 | .1596706 .2523797 0.63 0.527 -.3349844 .6543256
rg2 | -.4503241 .3919126 -1.15 0.251 -1.218459 .3178105
rg3 | .0953388 .2698538 0.35 0.724 -.4335649 .6242424
rg4 | -.3704285 .3941808 -0.94 0.347 -1.143009 .4021516
rg5 | -.3885481 .2019539 -1.92 0.054 -.7843705 .0072742
rg6 | .2630704 .1474933 1.78 0.074 -.0260111 .5521519
rg7 | .02152 .1911088 0.11 0.910 -.3530463 .3960863
rg8 | .3210682 .1306892 2.46 0.014 .064922 .5772144
rg9 | .1658055 .1800979 0.92 0.357 -.1871799 .5187908
rg10 | .1219171 .1621999 0.75 0.452 -.1959889 .4398231
_cons | -3.251385 .3032791 -10.72 0.000 -3.845801 -2.656969
84
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(54923 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 6.91890717 6.95764468 -.038737511 .062927577 -0.62
ATT | 6.91890717 6.95407679 -.035169623 .072558913 -0.48
ATU | 6.95764468 7.06201486 .104370182
ATE | .103309631
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 11,621 | 11,621
Treated | 89 | 89
-----------+-----------+----------
Total | 11,710 | 11,710
Quintil 4
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==4,
outcome(lytrabajhr) neighbor(1) ate
Probit regression Number of obs = 10410
LR chi2(32) = 86.33
Prob > chi2 = 0.0000
Log likelihood = -416.25706 Pseudo R2 = 0.0940
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | .0053799 .015572 0.35 0.730 -.0251407 .0359004
experiencia | .002511 .0092141 0.27 0.785 -.0155484 .0205704
experiencia2 | 8.56e-06 .0001625 0.05 0.958 -.0003099 .0003271
rural | -.1347921 .1214858 -1.11 0.267 -.3729 .1033158
contrato_si | .2630083 .1480202 1.78 0.076 -.0271059 .5531226
indefinido | -.0579397 .111174 -0.52 0.602 -.2758368 .1599573
pers2a5 | -.3595757 .2192157 -1.64 0.101 -.7892305 .0700791
pers6a9 | .1235736 .2167807 0.57 0.569 -.3013088 .548456
pers10a49 | .2069728 .1426052 1.45 0.147 -.0725283 .4864738
pers50a199 | .0032908 .1653318 0.02 0.984 -.3207536 .3273352
pers200omas | -.0126616 .1452197 -0.09 0.931 -.297287 .2719638
sector_noesp | .4684468 .4304994 1.09 0.277 -.3753164 1.31221
sector_min | -.227778 .2794765 -0.82 0.415 -.7755419 .319986
sector_ind | .0258679 .1815271 0.14 0.887 -.3299187 .3816545
sector_energ | .5110886 .3140931 1.63 0.104 -.1045225 1.1267
sector_const | -.0756597 .2008902 -0.38 0.706 -.4693973 .3180778
sector_com | .1071767 .1937771 0.55 0.580 -.2726195 .4869729
sector_trans | .0840382 .2022729 0.42 0.678 -.3124093 .4804857
sector_fin | .0567205 .2483796 0.23 0.819 -.4300945 .5435356
sector_ser~m | .5112942 .1477987 3.46 0.001 .2216141 .8009743
rg1 | .4881037 .2136136 2.28 0.022 .0694288 .9067787
rg2 | .3994499 .2027773 1.97 0.049 .0020136 .7968861
rg3 | .4905212 .1972813 2.49 0.013 .103857 .8771854
rg4 | -.1643554 .3662326 -0.45 0.654 -.8821581 .5534472
rg5 | .0894721 .1663255 0.54 0.591 -.2365199 .4154641
rg6 | .4706219 .1606554 2.93 0.003 .1557431 .7855007
rg7 | -.0962177 .2620027 -0.37 0.713 -.6097337 .4172982
85
rg8 | .1171354 .173469 0.68 0.500 -.2228575 .4571284
rg9 | .1566343 .2188156 0.72 0.474 -.2722364 .5855049
rg10 | .1454062 .1785493 0.81 0.415 -.204544 .4953563
rg11 | .8602085 .2141555 4.02 0.000 .4404715 1.279946
rg12 | .1160339 .2884893 0.40 0.688 -.4493946 .6814625
_cons | -3.070561 .2828258 -10.86 0.000 -3.62489 -2.516233
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(56223 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 7.19853824 7.29824165 -.099703408 .076024538 -1.31
ATT | 7.19853824 7.45818189 -.259643653 .102096409 -2.54
ATU | 7.29824165 7.01580374 -.282437913
ATE | -.28226712
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 10,332 | 10,332
Treated | 78 | 78
-----------+-----------+----------
Total | 10,410 | 10,410
Quintil 5
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==5,
outcome(lytrabajhr) neighbor(1) ate
note: pers6a9 != 0 predicts failure perfectly
pers6a9 dropped and 261 obs not used
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 72 obs not used
note: sector_energ != 0 predicts failure perfectly
sector_energ dropped and 67 obs not used
note: sector_const != 0 predicts failure perfectly
sector_const dropped and 585 obs not used
note: rg5 != 0 predicts failure perfectly
rg5 dropped and 522 obs not used
note: rg8 != 0 predicts failure perfectly
rg8 dropped and 525 obs not used
note: rg11 != 0 predicts failure perfectly
rg11 dropped and 159 obs not used
Probit regression Number of obs = 4773
LR chi2(25) = 53.45
Prob > chi2 = 0.0008
Log likelihood = -129.50351 Pseudo R2 = 0.1711
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
86
esc | -.0764102 .0250579 -3.05 0.002 -.1255228 -.0272975
experiencia | -.0180499 .0156778 -1.15 0.250 -.0487778 .0126781
experiencia2 | .0002693 .0002585 1.04 0.297 -.0002373 .0007759
rural | -.0217561 .2072653 -0.10 0.916 -.4279887 .3844765
contrato_si | .3775373 .2671169 1.41 0.158 -.1460021 .9010768
indefinido | -.4143987 .1974365 -2.10 0.036 -.8013671 -.0274304
pers2a5 | -.5605814 .377056 -1.49 0.137 -1.299598 .1784347
pers10a49 | .200725 .2513047 0.80 0.424 -.2918232 .6932731
pers50a199 | .1233886 .282321 0.44 0.662 -.4299503 .6767275
pers200omas | -.2476126 .2735696 -0.91 0.365 -.7837992 .2885741
sector_min | .8151031 .4829642 1.69 0.091 -.1314894 1.761696
sector_ind | .9206935 .4323784 2.13 0.033 .0732474 1.76814
sector_com | .7758875 .442726 1.75 0.080 -.0918395 1.643615
sector_trans | .6121046 .5050128 1.21 0.225 -.3777024 1.601912
sector_fin | .6336599 .5358793 1.18 0.237 -.4166442 1.683964
sector_ser~m | 1.386801 .4029545 3.44 0.001 .5970245 2.176577
rg1 | .1396231 .3600228 0.39 0.698 -.5660086 .8452548
rg2 | -.2239983 .4250684 -0.53 0.598 -1.057117 .6091206
rg3 | .4769035 .2921024 1.63 0.103 -.0956067 1.049414
rg4 | .0514565 .4061656 0.13 0.899 -.7446135 .8475265
rg6 | .2091055 .2714076 0.77 0.441 -.3228437 .7410547
rg7 | -.0515981 .3945855 -0.13 0.896 -.8249715 .7217753
rg9 | -.0903954 .3941024 -0.23 0.819 -.8628219 .6820311
rg10 | .0693624 .2714357 0.26 0.798 -.4626417 .6013666
rg12 | .2120434 .3470581 0.61 0.541 -.468178 .8922647
_cons | -2.443393 .5375946 -4.55 0.000 -3.497059 -1.389727
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(61860 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 7.62872849 8.07040107 -.441672589 .180751566 -2.44
ATT | 7.62872849 7.94615309 -.317424603 .237839103 -1.33
ATU | 8.07040107 7.65238458 -.418016498
ATE | -.417489618
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 4,748 | 4,748
Treated | 25 | 25
-----------+-----------+----------
Total | 4,773 | 4,773
Quintiles 1 y 2
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=1 & qaut_2<3,
outcome(lytrabajhr) neighbor(1) ate
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 88 obs not used
Probit regression Number of obs = 25015
LR chi2(31) = 481.01
Prob > chi2 = 0.0000
Log likelihood = -1178.0352 Pseudo R2 = 0.1695
------------------------------------------------------------------------------
87
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.0253022 .0099245 -2.55 0.011 -.0447539 -.0058505
experiencia | -.0060544 .005831 -1.04 0.299 -.0174828 .0053741
experiencia2 | .0001152 .0000921 1.25 0.211 -.0000653 .0002956
rural | -.0933846 .0633178 -1.47 0.140 -.2174851 .030716
contrato_si | .379116 .0757619 5.00 0.000 .2306253 .5276067
indefinido | -.3985626 .0633991 -6.29 0.000 -.5228226 -.2743026
pers2a5 | -.1057309 .1026286 -1.03 0.303 -.3068794 .0954175
pers6a9 | -.0041222 .1374337 -0.03 0.976 -.2734872 .2652428
pers10a49 | .1493126 .0848591 1.76 0.078 -.0170081 .3156334
pers50a199 | .1926148 .0916839 2.10 0.036 .0129176 .372312
pers200omas | .19152 .0894954 2.14 0.032 .0161123 .3669277
sector_min | .1080772 .2509629 0.43 0.667 -.383801 .5999554
sector_ind | .4367736 .1084425 4.03 0.000 .2242302 .649317
sector_energ | .5065824 .2805922 1.81 0.071 -.0433683 1.056533
sector_const | .5201051 .0927064 5.61 0.000 .3384038 .7018064
sector_com | .4994005 .128461 3.89 0.000 .2476215 .7511794
sector_trans | .3687135 .1463311 2.52 0.012 .0819098 .6555171
sector_fin | .6072224 .1751211 3.47 0.001 .2639913 .9504536
sector_ser~m | 1.293678 .0851386 15.19 0.000 1.126809 1.460546
rg1 | .0265994 .1799118 0.15 0.882 -.3260213 .3792201
rg2 | .2394794 .1750433 1.37 0.171 -.1035992 .5825579
rg3 | -.1816422 .2391033 -0.76 0.447 -.6502761 .2869916
rg4 | .049967 .136277 0.37 0.714 -.217131 .317065
rg5 | -.0452512 .1049575 -0.43 0.666 -.2509641 .1604616
rg6 | -.1529989 .1163864 -1.31 0.189 -.3811121 .0751143
rg7 | -.0809796 .1141741 -0.71 0.478 -.3047567 .1427975
rg8 | .0321474 .0878983 0.37 0.715 -.14013 .2044249
rg9 | -.0920023 .1130241 -0.81 0.416 -.3135254 .1295208
rg10 | .0430741 .102133 0.42 0.673 -.1571028 .243251
rg11 | .4688559 .220145 2.13 0.033 .0373797 .9003321
rg12 | -.3349586 .4104846 -0.82 0.414 -1.139494 .4695764
_cons | -2.746618 .1755224 -15.65 0.000 -3.090636 -2.402601
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(41618 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 6.60555739 6.59156087 .013996525 .040454569 0.35
ATT | 6.60555739 6.71504281 -.109485423 .047112936 -2.32
ATU | 6.59156087 6.55830438 -.033256485
ATE | -.034030507
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 24,761 | 24,761
Treated | 254 | 254
-----------+-----------+----------
Total | 25,015 | 25,015
Quintiles 3 y 4
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=3 & qaut_2<5,
outcome(lytrabajhr) neighbor(1) ate
Probit regression Number of obs = 22833
88
LR chi2(32) = 216.47
Prob > chi2 = 0.0000
Log likelihood = -879.45597 Pseudo R2 = 0.1096
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.00867 .0106773 -0.81 0.417 -.029597 .0122571
experiencia | .0031842 .0064001 0.50 0.619 -.0093598 .0157281
experiencia2 | -7.18e-06 .0001107 -0.06 0.948 -.0002242 .0002098
rural | -.0876081 .0799382 -1.10 0.273 -.2442841 .0690678
contrato_si | .3300418 .099004 3.33 0.001 .1359975 .5240861
indefinido | -.2413124 .072406 -3.33 0.001 -.3832257 -.0993992
pers2a5 | -.3936646 .1482833 -2.65 0.008 -.6842945 -.1030347
pers6a9 | -.1369357 .171589 -0.80 0.425 -.4732439 .1993725
pers10a49 | .1168272 .0957376 1.22 0.222 -.0708149 .3044694
pers50a199 | .0474587 .1052721 0.45 0.652 -.1588709 .2537882
pers200omas | -.0512825 .0976775 -0.53 0.600 -.2427269 .1401618
sector_noesp | .769065 .3050646 2.52 0.012 .1711493 1.366981
sector_min | -.0310369 .2514061 -0.12 0.902 -.5237838 .46171
sector_ind | .4630605 .1226875 3.77 0.000 .2225974 .7035236
sector_energ | .7281526 .2438746 2.99 0.003 .2501672 1.206138
sector_const | .3062648 .1283519 2.39 0.017 .0546996 .5578299
sector_com | .3778818 .1442348 2.62 0.009 .0951868 .6605767
sector_trans | .2572896 .1599223 1.61 0.108 -.0561523 .5707316
sector_fin | .5193051 .1653878 3.14 0.002 .195151 .8434591
sector_ser~m | .9372324 .1095354 8.56 0.000 .7225469 1.151918
rg1 | .3392386 .1592277 2.13 0.033 .027158 .6513192
rg2 | .1199619 .1680776 0.71 0.475 -.2094642 .449388
rg3 | .3417364 .1532855 2.23 0.026 .0413025 .6421704
rg4 | -.2796759 .2636734 -1.06 0.289 -.7964663 .2371145
rg5 | -.1171346 .1236032 -0.95 0.343 -.3593925 .1251232
rg6 | .3462071 .1069479 3.24 0.001 .1365932 .5558211
rg7 | -.026369 .150724 -0.17 0.861 -.3217826 .2690445
rg8 | .2644639 .1009829 2.62 0.009 .066541 .4623868
rg9 | .178676 .1357742 1.32 0.188 -.0874367 .4447886
rg10 | .1495415 .1177161 1.27 0.204 -.0811779 .3802608
rg11 | .5642285 .1884874 2.99 0.003 .1947999 .9336572
rg12 | -.1160908 .2612702 -0.44 0.657 -.6281711 .3959894
_cons | -3.08533 .1980335 -15.58 0.000 -3.473469 -2.697192
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(43800 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 7.0495133 7.11943676 -.069923464 .050393908 -1.39
ATT | 7.0495133 7.15679823 -.107284937 .062547768 -1.72
ATU | 7.11943676 7.16402002 .044583258
ATE | .043472498
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 22,666 | 22,666
Treated | 167 | 167
-----------+-----------+----------
Total | 22,833 | 22,833
Heckit
89
Quintil 1 . probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2==1
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 42 obs not used
note: rg12 != 0 predicts failure perfectly
rg12 dropped and 52 obs not used
Iteration 0: log likelihood = -706.10168
Iteration 1: log likelihood = -582.56846
Iteration 2: log likelihood = -553.6081
Iteration 3: log likelihood = -552.10179
Iteration 4: log likelihood = -552.08743
Iteration 5: log likelihood = -552.08743
Probit regression Number of obs = 11777
LR chi2(37) = 308.03
Prob > chi2 = 0.0000
Log likelihood = -552.08743 Pseudo R2 = 0.2181
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | .0173058 .1098123 0.16 0.875 -.1979223 .2325339
gto_mun | .0010745 .0004909 2.19 0.029 .0001124 .0020367
luz | -.316234 .5948646 -0.53 0.595 -1.482147 .8496792
agua | .0474772 .3261781 0.15 0.884 -.5918201 .6867745
alcan | -.3159594 .2487109 -1.27 0.204 -.8034238 .171505
lyauth_t_c | -.2953487 .1806943 -1.63 0.102 -.6495031 .0588057
tiene_omil | .0423559 .1062146 0.40 0.690 -.1658209 .2505328
esc | -.0282323 .0149556 -1.89 0.059 -.0575448 .0010802
experiencia | -.0213991 .0096784 -2.21 0.027 -.0403684 -.0024297
experiencia2 | .0003191 .0001439 2.22 0.027 .000037 .0006011
rural | -.0918937 .0951016 -0.97 0.334 -.2782894 .094502
contrato_si | .456816 .1047299 4.36 0.000 .2515491 .6620829
indefinido | -.4530134 .0977041 -4.64 0.000 -.6445099 -.2615168
sector_min | .2685044 .3849689 0.70 0.486 -.4860209 1.02303
sector_ind | .4962403 .1578835 3.14 0.002 .1867944 .8056863
sector_energ | .4580194 .4146535 1.10 0.269 -.3546864 1.270725
sector_const | .6141405 .1281844 4.79 0.000 .3629037 .8653772
sector_com | .5263919 .1991886 2.64 0.008 .1359894 .9167945
sector_trans | .2508096 .2664703 0.94 0.347 -.2714626 .7730818
sector_fin | .8495873 .2620489 3.24 0.001 .3359809 1.363194
sector_ser~m | 1.377335 .1196321 11.51 0.000 1.142861 1.61181
pers2a5 | -.1179886 .1417437 -0.83 0.405 -.3958012 .1598239
pers6a9 | .0125415 .1925497 0.07 0.948 -.3648489 .389932
pers10a49 | .1039245 .1237397 0.84 0.401 -.1386009 .3464498
pers50a199 | .2115526 .1319948 1.60 0.109 -.0471525 .4702577
pers200omas | .1913017 .1335652 1.43 0.152 -.0704813 .4530847
rg1 | -.8788424 .4728326 -1.86 0.063 -1.805577 .0478924
rg2 | -.265618 .4325511 -0.61 0.539 -1.113403 .5821667
rg3 | -.451761 .4508774 -1.00 0.316 -1.335464 .4319424
rg4 | -.1853061 .2270011 -0.82 0.414 -.6302201 .2596079
rg5 | -.1832707 .1720682 -1.07 0.287 -.5205181 .1539767
rg6 | -.4970193 .2184207 -2.28 0.023 -.9251161 -.0689225
rg7 | -.2090467 .1792613 -1.17 0.244 -.5603924 .142299
rg8 | -.153321 .1671635 -0.92 0.359 -.4809555 .1743135
rg9 | -.3592672 .1952819 -1.84 0.066 -.7420126 .0234783
rg10 | -.079944 .1756475 -0.46 0.649 -.4242068 .2643187
rg11 | .3440937 .370726 0.93 0.353 -.3825158 1.070703
_cons | 1.692947 2.352683 0.72 0.472 -2.918226 6.304121
------------------------------------------------------------------------------
90
. predict proylin_81, xb
(1648 missing values generated)
. gen lambda_omil_81= (normalden(proylin_81)/normal(proylin_81))
(1648 missing values generated)
. reg lytrabajhr lambda_omil_81 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==1, robust
Linear regression Number of obs = 11066
F( 41, 11024) = 30.23
Prob > F = 0.0000
R-squared = 0.1098
Root MSE = .64546
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~81 | .0726502 .0429696 1.69 0.091 -.011578 .1568783
familiar | .0256911 .0192732 1.33 0.183 -.0120878 .0634701
amigo | .0233361 .0170084 1.37 0.170 -.0100035 .0566757
compa | .0556429 .0302604 1.84 0.066 -.0036729 .1149588
empl | .011645 .026306 0.44 0.658 -.0399194 .0632095
omil | -.0396681 .0509003 -0.78 0.436 -.1394418 .0601056
puente | -.1005069 .1674147 -0.60 0.548 -.4286697 .2276559
priv | -.2433885 .1607161 -1.51 0.130 -.558421 .0716439
estud | .0633619 .0987569 0.64 0.521 -.1302194 .2569431
internet | .1064214 .3942886 0.27 0.787 -.6664549 .8792977
muni | .0535963 .0485342 1.10 0.269 -.0415395 .1487321
esc | .0123777 .0027832 4.45 0.000 .0069222 .0178333
experiencia | .017477 .0019088 9.16 0.000 .0137354 .0212186
experiencia2 | -.0002817 .0000318 -8.87 0.000 -.000344 -.0002194
rural | -.054523 .0142365 -3.83 0.000 -.082429 -.026617
contrato_si | .2347335 .023652 9.92 0.000 .1883714 .2810956
indefinido | .0960197 .0225973 4.25 0.000 .051725 .1403145
pers2a5 | -.1326811 .0224612 -5.91 0.000 -.176709 -.0886532
pers6a9 | -.1034379 .02424 -4.27 0.000 -.1509526 -.0559232
pers10a49 | -.0463175 .0196255 -2.36 0.018 -.084787 -.0078481
pers50a199 | -.0470766 .0231742 -2.03 0.042 -.0925022 -.0016509
pers200omas | -.0061548 .0226783 -0.27 0.786 -.0506084 .0382987
sector_noesp | (dropped)
sector_min | .0891453 .0486879 1.83 0.067 -.0062916 .1845822
sector_ind | .122495 .0280314 4.37 0.000 .0675484 .1774415
sector_energ | .2502733 .0705842 3.55 0.000 .1119156 .388631
sector_const | .1567319 .0302064 5.19 0.000 .097522 .2159419
sector_com | .0803888 .0326329 2.46 0.014 .0164225 .1443552
sector_trans | .0378613 .0280323 1.35 0.177 -.0170871 .0928097
sector_fin | .1451331 .0436273 3.33 0.001 .0596157 .2306505
sector_ser~m | .212235 .0579284 3.66 0.000 .098685 .325785
rg1 | -.0142616 .0558626 -0.26 0.798 -.1237624 .0952392
rg2 | -.0864852 .0923481 -0.94 0.349 -.2675041 .0945338
rg3 | .0462585 .0454778 1.02 0.309 -.0428862 .1354031
rg4 | -.0061409 .0304981 -0.20 0.840 -.0659227 .0536408
rg5 | -.0069561 .0240098 -0.29 0.772 -.0540196 .0401074
rg6 | -.026627 .0276935 -0.96 0.336 -.0809112 .0276571
rg7 | -.0546035 .0261908 -2.08 0.037 -.1059421 -.0032649
rg8 | -.1310813 .0227232 -5.77 0.000 -.1756228 -.0865397
rg9 | -.0655074 .0264302 -2.48 0.013 -.1173153 -.0136995
rg10 | .0557692 .0253905 2.20 0.028 .0059993 .1055392
rg11 | .0602995 .0975281 0.62 0.536 -.1308731 .2514721
rg12 | (dropped)
_cons | 5.755905 .1313005 43.84 0.000 5.498533 6.013277
91
Quintil 2
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2==2
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 55 obs not used
Iteration 0: log likelihood = -757.9726
Iteration 1: log likelihood = -669.98175
Iteration 2: log likelihood = -643.77649
Iteration 3: log likelihood = -642.6892
Iteration 4: log likelihood = -642.68197
Iteration 5: log likelihood = -642.68197
Probit regression Number of obs = 14173
LR chi2(38) = 230.58
Prob > chi2 = 0.0000
Log likelihood = -642.68197 Pseudo R2 = 0.1521
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | .008481 .0919746 0.09 0.927 -.1717859 .1887479
gto_mun | .0006496 .000391 1.66 0.097 -.0001168 .001416
luz | -.3385815 .5283778 -0.64 0.522 -1.374183 .69702
agua | .3272265 .3572055 0.92 0.360 -.3728834 1.027336
alcan | -.0456595 .2334108 -0.20 0.845 -.5031363 .4118173
lyauth_t_c | -.0756672 .1345954 -0.56 0.574 -.3394694 .1881349
tiene_omil | .0940694 .1054454 0.89 0.372 -.1125998 .3007386
esc | -.0132154 .0136042 -0.97 0.331 -.0398791 .0134483
experiencia | .0038266 .0083965 0.46 0.649 -.0126303 .0202834
experiencia2 | 8.98e-07 .000128 0.01 0.994 -.00025 .0002518
rural | -.2295694 .0978074 -2.35 0.019 -.4212684 -.0378703
contrato_si | .3499513 .1099619 3.18 0.001 .1344299 .5654726
indefinido | -.3314786 .0859654 -3.86 0.000 -.4999677 -.1629895
sector_min | -.1102605 .3481889 -0.32 0.751 -.7926981 .5721772
sector_ind | .3785371 .1475075 2.57 0.010 .0894277 .6676465
sector_energ | .4109549 .3874576 1.06 0.289 -.3484481 1.170358
sector_const | .409653 .1330838 3.08 0.002 .1488135 .6704925
sector_com | .5327751 .1619318 3.29 0.001 .2153947 .8501555
sector_trans | .3586757 .1841312 1.95 0.051 -.0022147 .7195662
sector_fin | .3955836 .2391964 1.65 0.098 -.0732327 .8643999
sector_ser~m | 1.141281 .1203812 9.48 0.000 .9053385 1.377224
pers2a5 | -.1902427 .1509529 -1.26 0.208 -.486105 .1056195
pers6a9 | -.0718196 .1972812 -0.36 0.716 -.4584837 .3148445
pers10a49 | .1376265 .1156937 1.19 0.234 -.089129 .364382
pers50a199 | .1320864 .1266201 1.04 0.297 -.1160844 .3802571
pers200omas | .1961933 .1177645 1.67 0.096 -.034621 .4270076
rg1 | -.0267587 .2608842 -0.10 0.918 -.5380824 .484565
rg2 | .2161217 .2176636 0.99 0.321 -.210491 .6427345
rg3 | -.1131187 .2830748 -0.40 0.689 -.6679351 .4416977
rg4 | -.0315651 .1946891 -0.16 0.871 -.4131488 .3500186
rg5 | -.0523031 .1397469 -0.37 0.708 -.3262021 .2215958
rg6 | -.0513664 .1591651 -0.32 0.747 -.3633242 .2605914
rg7 | -.1420562 .1768187 -0.80 0.422 -.4886144 .2045021
rg8 | -.0298803 .1405744 -0.21 0.832 -.305401 .2456404
rg9 | .010936 .1790762 0.06 0.951 -.340047 .3619189
rg10 | .0172914 .159578 0.11 0.914 -.2954757 .3300585
rg11 | .4139758 .2758698 1.50 0.133 -.1267191 .9546707
rg12 | -.2017557 .4386986 -0.46 0.646 -1.061589 .6580778
_cons | -1.979197 1.772486 -1.12 0.264 -5.453206 1.494812
------------------------------------------------------------------------------
92
. predict proylin_82, xb
(612 missing values generated)
. gen lambda_omil_82= (normalden(proylin_82)/normal(proylin_82))
(612 missing values generated)
. reg lytrabajhr lambda_omil_82 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==2, robust
Linear regression Number of obs = 13904
F( 42, 13861) = 36.77
Prob > F = 0.0000
R-squared = 0.1007
Root MSE = .53218
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~82 | -.1029548 .1087369 -0.95 0.344 -.3160938 .1101842
familiar | .0312651 .0139572 2.24 0.025 .0039071 .0586231
amigo | -.0130142 .0122437 -1.06 0.288 -.0370135 .0109851
compa | .0259562 .0245351 1.06 0.290 -.0221358 .0740483
empl | .0111456 .0180935 0.62 0.538 -.02432 .0466113
omil | -.031867 .0404479 -0.79 0.431 -.1111503 .0474164
puente | .1329642 .1909133 0.70 0.486 -.2412516 .50718
priv | -.0051683 .0467069 -0.11 0.912 -.0967201 .0863835
estud | .0875712 .0374852 2.34 0.019 .0140951 .1610473
internet | .0582328 .154569 0.38 0.706 -.2447432 .3612088
muni | -.0318788 .0514028 -0.62 0.535 -.1326353 .0688777
esc | .0266883 .0023325 11.44 0.000 .0221163 .0312604
experiencia | .0224673 .0011827 19.00 0.000 .0201491 .0247856
experiencia2 | -.0003346 .0000195 -17.12 0.000 -.0003729 -.0002963
rural | .0326014 .0255368 1.28 0.202 -.0174543 .082657
contrato_si | .0111532 .0369639 0.30 0.763 -.061301 .0836075
indefinido | .1209441 .0345518 3.50 0.000 .053218 .1886703
pers2a5 | -.1283212 .0256668 -5.00 0.000 -.1786315 -.0780108
pers6a9 | -.1279506 .0203566 -6.29 0.000 -.1678523 -.0880489
pers10a49 | -.1221866 .0202759 -6.03 0.000 -.16193 -.0824431
pers50a199 | -.0763259 .0207427 -3.68 0.000 -.1169845 -.0356673
pers200omas | -.0348187 .0253215 -1.38 0.169 -.0844522 .0148149
sector_noesp | (dropped)
sector_min | .2110608 .0276746 7.63 0.000 .1568149 .2653068
sector_ind | .0375514 .0418232 0.90 0.369 -.0444277 .1195305
sector_energ | .0531667 .057981 0.92 0.359 -.0604839 .1668172
sector_const | .0614204 .0436654 1.41 0.160 -.0241696 .1470104
sector_com | -.0122376 .0577038 -0.21 0.832 -.1253448 .1008695
sector_trans | .0191162 .041982 0.46 0.649 -.0631743 .1014067
sector_fin | .0525347 .0475547 1.10 0.269 -.0406791 .1457484
sector_ser~m | -.0300756 .1151339 -0.26 0.794 -.2557536 .1956024
rg1 | .0801177 .0433713 1.85 0.065 -.004896 .1651313
rg2 | -.0120015 .0520781 -0.23 0.818 -.1140816 .0900786
rg3 | .1587739 .0325494 4.88 0.000 .0949727 .222575
rg4 | -.0194769 .0254381 -0.77 0.444 -.069339 .0303852
rg5 | .0036178 .0178256 0.20 0.839 -.0313228 .0385584
rg6 | -.0220561 .0179767 -1.23 0.220 -.0572928 .0131807
rg7 | .0194617 .0239398 0.81 0.416 -.0274634 .0663869
rg8 | -.0024205 .0169182 -0.14 0.886 -.0355824 .0307414
rg9 | .0405199 .0211903 1.91 0.056 -.0010159 .0820558
rg10 | .0962583 .0183934 5.23 0.000 .0602047 .1323118
rg11 | .1212431 .0749894 1.62 0.106 -.0257463 .2682324
rg12 | -.023018 .0681537 -0.34 0.736 -.1566084 .1105725
_cons | 6.505946 .3513666 18.52 0.000 5.81722 7.194672
------------------------------------------------------------------------------
93
Quintil 3
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2==3
note: sector_min != 0 predicts failure perfectly
sector_min dropped and 445 obs not used
note: rg11 != 0 predicts failure perfectly
rg11 dropped and 112 obs not used
note: rg12 != 0 predicts failure perfectly
rg12 dropped and 166 obs not used
Iteration 0: log likelihood = -529.12561
Iteration 1: log likelihood = -453.5942
Iteration 2: log likelihood = -435.46417
Iteration 3: log likelihood = -433.57502
Iteration 4: log likelihood = -433.5093
Iteration 5: log likelihood = -433.50916
Probit regression Number of obs = 11882
LR chi2(36) = 191.23
Prob > chi2 = 0.0000
Log likelihood = -433.50916 Pseudo R2 = 0.1807
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | -.0902536 .1024577 -0.88 0.378 -.291067 .1105598
gto_mun | .0000757 .0006383 0.12 0.906 -.0011754 .0013267
luz | .0158584 .8069427 0.02 0.984 -1.56572 1.597437
agua | -.274269 .4128205 -0.66 0.506 -1.083382 .5348444
alcan | -.2782012 .2794526 -1.00 0.319 -.8259181 .2695158
lyauth_t_c | -.2836593 .1875671 -1.51 0.130 -.651284 .0839655
tiene_omil | .1770636 .124048 1.43 0.153 -.066066 .4201933
esc | -.0167576 .0161606 -1.04 0.300 -.0484318 .0149166
experiencia | .0093442 .0101151 0.92 0.356 -.0104811 .0291695
experiencia2 | -.0000954 .0001648 -0.58 0.563 -.0004185 .0002276
rural | -.1560042 .119176 -1.31 0.191 -.3895849 .0775765
contrato_si | .4290997 .140671 3.05 0.002 .1533897 .7048098
indefinido | -.4199219 .1038048 -4.05 0.000 -.6233757 -.2164682
sector_noesp | 1.116192 .445494 2.51 0.012 .2430395 1.989344
sector_ind | .9206099 .1951017 4.72 0.000 .5382176 1.303002
sector_energ | .9416604 .415446 2.27 0.023 .1274013 1.75592
sector_const | .7134569 .1977085 3.61 0.000 .3259554 1.100958
sector_com | .7449969 .2331674 3.20 0.001 .2879972 1.201997
sector_trans | .4464372 .2900893 1.54 0.124 -.1221273 1.015002
sector_fin | 1.111393 .2471813 4.50 0.000 .6269267 1.59586
sector_ser~m | 1.431085 .1839919 7.78 0.000 1.070467 1.791702
pers2a5 | -.5147325 .2122729 -2.42 0.015 -.9307798 -.0986852
pers6a9 | -.6466043 .369057 -1.75 0.080 -1.369943 .0767341
pers10a49 | .0016404 .1348628 0.01 0.990 -.2626859 .2659667
pers50a199 | .0491135 .1419932 0.35 0.729 -.2291881 .3274151
pers200omas | -.1458994 .1387803 -1.05 0.293 -.4179039 .1261051
rg1 | .0326049 .2914013 0.11 0.911 -.538531 .6037409
rg2 | -.4014089 .400655 -1.00 0.316 -1.186678 .3838605
rg3 | .1963097 .2522727 0.78 0.436 -.2981357 .6907551
rg4 | -.5614059 .4057779 -1.38 0.167 -1.356716 .2339042
rg5 | -.500547 .2099841 -2.38 0.017 -.9121082 -.0889858
rg6 | .1664881 .165668 1.00 0.315 -.1582151 .4911914
rg7 | -.1613981 .2051264 -0.79 0.431 -.5634385 .2406424
rg8 | .0506397 .1663158 0.30 0.761 -.2753334 .3766127
rg9 | -.0794786 .2124293 -0.37 0.708 -.4958323 .3368751
rg10 | -.0695271 .1886189 -0.37 0.712 -.4392134 .3001592
94
_cons | .8100881 2.472354 0.33 0.743 -4.035637 5.655813
------------------------------------------------------------------------------
. predict proylin_83, xb
(4387 missing values generated)
. gen lambda_omil_83= (normalden(proylin_83)/normal(proylin_83))
(4387 missing values generated)
. reg lytrabajhr lambda_omil_83 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==3, robust
Linear regression Number of obs = 11710
F( 40, 11669) = 42.96
Prob > F = 0.0000
R-squared = 0.1170
Root MSE = .55666
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~83 | .4135845 .0415621 9.95 0.000 .332116 .4950531
familiar | .023131 .0155886 1.48 0.138 -.0074253 .0536873
amigo | -.0451301 .0139369 -3.24 0.001 -.0724487 -.0178115
compa | .0074589 .0242628 0.31 0.759 -.0401002 .0550181
empl | .0264795 .0220072 1.20 0.229 -.0166584 .0696173
omil | -.0881601 .0514953 -1.71 0.087 -.1890995 .0127793
puente | -.0511561 .1574595 -0.32 0.745 -.3598031 .2574909
priv | .1283895 .0718064 1.79 0.074 -.012363 .269142
estud | .1229232 .0365205 3.37 0.001 .0513369 .1945096
internet | .0763709 .0638581 1.20 0.232 -.0488016 .2015434
muni | .0417875 .0507672 0.82 0.410 -.0577246 .1412997
esc | .0263639 .0022819 11.55 0.000 .0218909 .0308368
experiencia | .0255157 .001197 21.32 0.000 .0231695 .027862
experiencia2 | -.0003318 .0000212 -15.68 0.000 -.0003733 -.0002903
rural | -.0150781 .0129624 -1.16 0.245 -.0404866 .0103305
contrato_si | .1062477 .0217205 4.89 0.000 .063672 .1488235
indefinido | -.099204 .0209442 -4.74 0.000 -.1402582 -.0581498
pers2a5 | -.3598479 .0286722 -12.55 0.000 -.4160502 -.3036457
pers6a9 | -.4359979 .0343053 -12.71 0.000 -.503242 -.3687537
pers10a49 | -.1574605 .0164999 -9.54 0.000 -.1898031 -.1251179
pers50a199 | -.1042132 .0178347 -5.84 0.000 -.1391723 -.0692542
pers200omas | -.0948266 .0182495 -5.20 0.000 -.1305986 -.0590546
sector_noesp | .4840773 .0831941 5.82 0.000 .321003 .6471517
sector_min | (dropped)
sector_ind | .40966 .0376756 10.87 0.000 .3358096 .4835104
sector_energ | .4548137 .061951 7.34 0.000 .3333794 .5762479
sector_const | .3699097 .0304587 12.14 0.000 .3102056 .4296139
sector_com | .2722411 .0344955 7.89 0.000 .2046243 .339858
sector_trans | .1830905 .0270918 6.76 0.000 .1299861 .2361949
sector_fin | .4654217 .047797 9.74 0.000 .3717315 .5591118
sector_ser~m | .6172743 .0559223 11.04 0.000 .5076572 .7268914
rg1 | .0268569 .0391646 0.69 0.493 -.0499122 .103626
rg2 | -.0451229 .0387422 -1.16 0.244 -.1210641 .0308183
rg3 | .2043956 .0324489 6.30 0.000 .1407902 .2680009
rg4 | -.1100875 .0327254 -3.36 0.001 -.1742347 -.0459404
rg5 | -.1922873 .0238432 -8.06 0.000 -.2390239 -.1455507
rg6 | .061518 .0201404 3.05 0.002 .0220394 .1009966
rg7 | -.0392034 .0213684 -1.83 0.067 -.081089 .0026822
rg8 | .1438395 .0215345 6.68 0.000 .1016283 .1860507
rg9 | .1582844 .0252797 6.26 0.000 .108732 .2078368
rg10 | .1289059 .0197643 6.52 0.000 .0901645 .1676473
rg11 | (dropped)
rg12 | (dropped)
95
_cons | 4.937738 .1493345 33.06 0.000 4.645017 5.230459
Quintil 4
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2==4
Iteration 0: log likelihood = -460.50748
Iteration 1: log likelihood = -416.08944
Iteration 2: log likelihood = -406.7314
Iteration 3: log likelihood = -406.27768
Iteration 4: log likelihood = -406.27285
Iteration 5: log likelihood = -406.27285
Probit regression Number of obs = 10555
LR chi2(39) = 108.47
Prob > chi2 = 0.0000
Log likelihood = -406.27285 Pseudo R2 = 0.1178
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | -.1041818 .1035121 -1.01 0.314 -.3070618 .0986983
gto_mun | -.0003368 .0005167 -0.65 0.515 -.0013496 .000676
luz | -1.199711 .5161911 -2.32 0.020 -2.211427 -.1879948
agua | -.8985061 .448899 -2.00 0.045 -1.778332 -.0186803
alcan | .1346848 .315659 0.43 0.670 -.4839954 .753365
lyauth_t_c | -.1488806 .183264 -0.81 0.417 -.5080715 .2103103
tiene_omil | .106105 .1353377 0.78 0.433 -.1591521 .3713621
esc | .0094311 .0161104 0.59 0.558 -.0221446 .0410068
experiencia | .0065733 .0100188 0.66 0.512 -.0130632 .0262099
experiencia2 | -.0000333 .00017 -0.20 0.845 -.0003664 .0002998
rural | -.2691832 .1389681 -1.94 0.053 -.5415558 .0031894
contrato_si | .2645174 .1516675 1.74 0.081 -.0327455 .5617803
indefinido | -.0355969 .1140165 -0.31 0.755 -.2590652 .1878714
sector_noesp | .4952658 .429908 1.15 0.249 -.3473384 1.33787
sector_min | -.1654845 .2791332 -0.59 0.553 -.7125755 .3816065
sector_ind | .0548516 .184848 0.30 0.767 -.3074437 .4171469
sector_energ | .5667652 .3190063 1.78 0.076 -.0584758 1.192006
sector_const | -.0540535 .2021267 -0.27 0.789 -.4502146 .3421075
sector_com | .1290843 .1975559 0.65 0.513 -.2581182 .5162869
sector_trans | .1160806 .2060543 0.56 0.573 -.2877784 .5199397
sector_fin | .0818125 .2534629 0.32 0.747 -.4149656 .5785907
sector_ser~m | .5090975 .1508468 3.37 0.001 .2134431 .8047518
pers2a5 | -.3674904 .2236222 -1.64 0.100 -.8057819 .0708012
pers6a9 | .1597698 .2208763 0.72 0.469 -.2731399 .5926795
pers10a49 | .2070829 .1462373 1.42 0.157 -.0795369 .4937026
pers50a199 | .0396645 .1675129 0.24 0.813 -.2886548 .3679838
pers200omas | .0273156 .1483119 0.18 0.854 -.2633702 .3180015
rg1 | .2305078 .248473 0.93 0.354 -.2564903 .7175059
rg2 | .3915501 .2117812 1.85 0.064 -.0235333 .8066336
rg3 | .477246 .1994401 2.39 0.017 .0863505 .8681415
rg4 | -.3178024 .3765904 -0.84 0.399 -1.055906 .4203011
rg5 | .0549764 .1726763 0.32 0.750 -.283463 .3934158
rg6 | .4936243 .1899818 2.60 0.009 .1212668 .8659818
rg7 | -.1931466 .2764811 -0.70 0.485 -.7350396 .3487464
rg8 | -.0918312 .2055603 -0.45 0.655 -.4947221 .3110596
rg9 | -.1774153 .261961 -0.68 0.498 -.6908495 .3360189
rg10 | -.1097789 .213017 -0.52 0.606 -.5272845 .3077267
rg11 | .7385805 .2186751 3.38 0.001 .3099853 1.167176
rg12 | -.5454126 .4674908 -1.17 0.243 -1.461678 .3708526
_cons | .7088979 2.411418 0.29 0.769 -4.017395 5.43519
------------------------------------------------------------------------------
. predict proylin_84, xb
96
(248 missing values generated)
. gen lambda_omil_84= (normalden(proylin_84)/normal(proylin_79))
proylin_79 not found
r(111);
end of do-file
r(111);
. do "C:\Users\CRISTI~1\AppData\Local\Temp\STD02000000.tmp"
. gen lambda_omil_84= (normalden(proylin_84)/normal(proylin_84))
(248 missing values generated)
. reg lytrabajhr lambda_omil_84 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==4, robust
Linear regression Number of obs = 10410
F( 43, 10366) = 48.61
Prob > F = 0.0000
R-squared = 0.1504
Root MSE = .61784
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~84 | .3438404 .0385792 8.91 0.000 .2682178 .4194631
familiar | .0156967 .0173346 0.91 0.365 -.0182825 .0496758
amigo | -.0543518 .0159147 -3.42 0.001 -.0855477 -.023156
compa | -.0307657 .0283701 -1.08 0.278 -.0863765 .0248451
empl | -.0231247 .0284161 -0.81 0.416 -.0788258 .0325764
omil | -.1266472 .0640519 -1.98 0.048 -.2522012 -.0010932
puente | .1438179 .30404 0.47 0.636 -.4521591 .7397949
priv | -.0164257 .0823181 -0.20 0.842 -.177785 .1449337
estud | .097224 .0388261 2.50 0.012 .0211174 .1733306
internet | .0858906 .0812558 1.06 0.291 -.0733863 .2451676
muni | -.010695 .0468239 -0.23 0.819 -.1024789 .0810889
esc | .0513066 .0023901 21.47 0.000 .0466217 .0559916
experiencia | .0299268 .0013572 22.05 0.000 .0272663 .0325872
experiencia2 | -.0003596 .0000239 -15.06 0.000 -.0004064 -.0003128
rural | -.0873787 .0178246 -4.90 0.000 -.1223184 -.052439
contrato_si | -.0891466 .0221139 -4.03 0.000 -.1324941 -.0457991
indefinido | -.0187579 .0155354 -1.21 0.227 -.0492102 .0116944
pers2a5 | -.2649717 .027929 -9.49 0.000 -.319718 -.2102254
pers6a9 | -.1856273 .0294372 -6.31 0.000 -.24333 -.1279247
pers10a49 | -.0283833 .0215687 -1.32 0.188 -.0706622 .0138956
pers50a199 | -.0826215 .0223362 -3.70 0.000 -.1264049 -.0388382
pers200omas | .0366119 .0204508 1.79 0.073 -.0034756 .0766993
sector_noesp | .3009959 .0824484 3.65 0.000 .1393811 .4626106
sector_min | .1536209 .033388 4.60 0.000 .0881739 .2190679
sector_ind | .0788333 .0214427 3.68 0.000 .0368016 .1208651
sector_energ | .3782332 .0508343 7.44 0.000 .2785883 .4778782
sector_const | .0450154 .0225402 2.00 0.046 .0008322 .0891985
sector_com | .0451288 .0264895 1.70 0.088 -.0067957 .0970533
sector_trans | .0220968 .0274053 0.81 0.420 -.0316229 .0758164
sector_fin | .0552474 .0320743 1.72 0.085 -.0076244 .1181191
sector_ser~m | .2524022 .0290649 8.68 0.000 .1954294 .309375
rg1 | .0661369 .0403841 1.64 0.102 -.0130237 .1452975
rg2 | .1434236 .0380379 3.77 0.000 .068862 .2179853
rg3 | .2645639 .0355378 7.44 0.000 .1949028 .3342249
rg4 | -.035124 .0344698 -1.02 0.308 -.1026914 .0324434
rg5 | .0052584 .0208294 0.25 0.801 -.0355713 .046088
rg6 | .1241472 .0279067 4.45 0.000 .0694447 .1788497
97
rg7 | -.0419173 .0280191 -1.50 0.135 -.09684 .0130054
rg8 | .0646953 .0235595 2.75 0.006 .0185141 .1108766
rg9 | .1048128 .0320974 3.27 0.001 .0418958 .1677299
rg10 | .2028193 .0232859 8.71 0.000 .1571744 .2484642
rg11 | .2508341 .0668596 3.75 0.000 .1197765 .3818918
rg12 | -.0097149 .0398322 -0.24 0.807 -.0877937 .068364
_cons | 5.34524 .1357993 39.36 0.000 5.079047 5.611433
Quintil 5
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2==5
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 74 obs not used
note: sector_energ != 0 predicts failure perfectly
sector_energ dropped and 68 obs not used
note: sector_const != 0 predicts failure perfectly
sector_const dropped and 610 obs not used
note: pers6a9 != 0 predicts failure perfectly
pers6a9 dropped and 240 obs not used
note: rg5 != 0 predicts failure perfectly
rg5 dropped and 530 obs not used
note: rg8 != 0 predicts failure perfectly
rg8 dropped and 532 obs not used
note: rg11 != 0 predicts failure perfectly
rg11 dropped and 160 obs not used
Iteration 0: log likelihood = -161.76703
Iteration 1: log likelihood = -135.08252
Iteration 2: log likelihood = -128.84767
Iteration 3: log likelihood = -128.0573
Iteration 4: log likelihood = -128.01927
Iteration 5: log likelihood = -128.01908
Probit regression Number of obs = 4830
LR chi2(32) = 67.50
Prob > chi2 = 0.0002
Log likelihood = -128.01908 Pseudo R2 = 0.2086
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | -.2828379 .1809524 -1.56 0.118 -.6374981 .0718223
gto_mun | .0005389 .0007372 0.73 0.465 -.0009061 .0019839
luz | 1.271869 1.299164 0.98 0.328 -1.274445 3.818183
agua | -.9705799 .9540142 -1.02 0.309 -2.840413 .8992536
alcan | -.0973097 .6180305 -0.16 0.875 -1.308627 1.114008
lyauth_t_c | .3502038 .2879092 1.22 0.224 -.2140879 .9144955
tiene_omil | .6670466 .2727272 2.45 0.014 .132511 1.201582
esc | -.0736476 .0255884 -2.88 0.004 -.1237999 -.0234953
experiencia | -.0059045 .0165791 -0.36 0.722 -.038399 .0265899
experiencia2 | .0001501 .0002656 0.57 0.572 -.0003704 .0006706
rural | .133291 .2310851 0.58 0.564 -.3196275 .5862095
contrato_si | .3418648 .2683521 1.27 0.203 -.1840956 .8678252
indefinido | -.3699795 .2011766 -1.84 0.066 -.7642783 .0243194
sector_min | .7554213 .4878718 1.55 0.122 -.2007898 1.711632
sector_ind | .8520746 .4329664 1.97 0.049 .003476 1.700673
sector_com | .6847014 .447939 1.53 0.126 -.193243 1.562646
98
sector_trans | .5289801 .517414 1.02 0.307 -.4851327 1.543093
sector_fin | .5833779 .5388179 1.08 0.279 -.4726857 1.639441
sector_ser~m | 1.412216 .4034435 3.50 0.000 .621481 2.20295
pers2a5 | -.5682423 .3896373 -1.46 0.145 -1.331917 .1954327
pers10a49 | .2978408 .2614478 1.14 0.255 -.2145874 .810269
pers50a199 | .2774133 .2863838 0.97 0.333 -.2838887 .8387152
pers200omas | -.1672966 .2834947 -0.59 0.555 -.722936 .3883429
rg1 | .2654449 .3948948 0.67 0.501 -.5085347 1.039425
rg2 | -.2311933 .4429491 -0.52 0.602 -1.099358 .636971
rg3 | .4451319 .3013101 1.48 0.140 -.1454251 1.035689
rg4 | .0412397 .4530789 0.09 0.927 -.8467786 .9292581
rg6 | .5802013 .330223 1.76 0.079 -.067024 1.227427
rg7 | .0834683 .4311902 0.19 0.847 -.761649 .9285856
rg9 | .0927181 .4365264 0.21 0.832 -.7628578 .9482941
rg10 | .0655038 .3440941 0.19 0.849 -.6089081 .7399158
rg12 | .3434535 .3653392 0.94 0.347 -.3725982 1.059505
_cons | -8.178333 3.910628 -2.09 0.037 -15.84302 -.5136419
------------------------------------------------------------------------------
. predict proylin_85, xb
(26500 missing values generated)
. gen lambda_omil_85= (normalden(proylin_85)/normal(proylin_85))
(26500 missing values generated)
. reg lytrabajhr lambda_omil_85 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==5, robust
Linear regression Number of obs = 4773
F( 35, 4737) = 42.20
Prob > F = 0.0000
R-squared = 0.2349
Root MSE = .79177
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~85 | .1695086 .0415517 4.08 0.000 .088048 .2509691
familiar | -.0565878 .0327674 -1.73 0.084 -.1208272 .0076515
amigo | -.1155449 .0314341 -3.68 0.000 -.1771703 -.0539194
compa | .0036643 .0546839 0.07 0.947 -.1035416 .1108701
empl | .0459173 .0639362 0.72 0.473 -.0794273 .1712619
omil | -.1894748 .1778436 -1.07 0.287 -.5381309 .1591813
puente | (dropped)
priv | .120316 .120036 1.00 0.316 -.1150103 .3556423
estud | .0764141 .0520134 1.47 0.142 -.0255563 .1783846
internet | .0584452 .1127918 0.52 0.604 -.1626792 .2795696
muni | -.1308007 .0763941 -1.71 0.087 -.2805686 .0189672
esc | .0814273 .0050293 16.19 0.000 .0715674 .0912871
experiencia | .0341243 .0027039 12.62 0.000 .0288234 .0394252
experiencia2 | -.0003339 .0000489 -6.83 0.000 -.0004297 -.0002381
rural | .0763151 .0319401 2.39 0.017 .0136975 .1389326
contrato_si | -.3982908 .0463444 -8.59 0.000 -.4891474 -.3074341
indefinido | -.1396789 .0381166 -3.66 0.000 -.2144051 -.0649527
pers2a5 | -.0109974 .0457179 -0.24 0.810 -.1006258 .078631
pers6a9 | (dropped)
pers10a49 | .0822168 .0455016 1.81 0.071 -.0069876 .1714212
pers50a199 | .1757419 .0453707 3.87 0.000 .0867943 .2646895
pers200omas | .1753583 .0408252 4.30 0.000 .0953219 .2553948
sector_noesp | (dropped)
sector_min | .3113007 .0657509 4.73 0.000 .1823982 .4402031
sector_ind | .0455765 .0566761 0.80 0.421 -.065535 .156688
sector_energ | (dropped)
sector_const | (dropped)
99
sector_com | -.133129 .0542194 -2.46 0.014 -.2394243 -.0268338
sector_trans | -.0822761 .0587214 -1.40 0.161 -.1973972 .0328451
sector_fin | .1900477 .057532 3.30 0.001 .0772582 .3028372
sector_ser~m | .1336099 .0686775 1.95 0.052 -.0010298 .2682497
rg1 | -.3143552 .058052 -5.42 0.000 -.4281641 -.2005462
rg2 | -.1553611 .0476409 -3.26 0.001 -.2487594 -.0619628
rg3 | -.1246052 .0570738 -2.18 0.029 -.2364963 -.012714
rg4 | -.1298186 .0601428 -2.16 0.031 -.2477266 -.0119107
rg5 | (dropped)
rg6 | -.1242719 .0479362 -2.59 0.010 -.2182492 -.0302945
rg7 | -.1655173 .0532179 -3.11 0.002 -.2698491 -.0611855
rg8 | (dropped)
rg9 | -.1218375 .0471121 -2.59 0.010 -.2141991 -.029476
rg10 | -.07508 .0392872 -1.91 0.056 -.1521011 .0019412
rg11 | (dropped)
rg12 | -.1147901 .061439 -1.87 0.062 -.235239 .0056588
_cons | 6.217686 .1443146 43.08 0.000 5.934762 6.50061
Quintiles 1 y 2
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2>=1 & qaut_2<3
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 97 obs not used
Iteration 0: log likelihood = -1465.2426
Iteration 1: log likelihood = -1267.1998
Iteration 2: log likelihood = -1214.7494
Iteration 3: log likelihood = -1212.7661
Iteration 4: log likelihood = -1212.7563
Iteration 5: log likelihood = -1212.7563
Probit regression Number of obs = 26002
LR chi2(38) = 504.97
Prob > chi2 = 0.0000
Log likelihood = -1212.7563 Pseudo R2 = 0.1723
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | .0343435 .0692013 0.50 0.620 -.1012885 .1699755
gto_mun | .0007423 .0002857 2.60 0.009 .0001822 .0013024
luz | -.132838 .3702974 -0.36 0.720 -.8586076 .5929316
agua | .09252 .2345804 0.39 0.693 -.3672492 .5522892
alcan | -.1755846 .1675287 -1.05 0.295 -.5039349 .1527657
lyauth_t_c | -.159786 .1063373 -1.50 0.133 -.3682033 .0486312
tiene_omil | .0676865 .0734716 0.92 0.357 -.0763152 .2116883
esc | -.0224854 .0098607 -2.28 0.023 -.0418121 -.0031587
experiencia | -.0067316 .0062702 -1.07 0.283 -.0190209 .0055577
experiencia2 | .0001231 .0000948 1.30 0.194 -.0000626 .0003089
rural | -.1548479 .0664813 -2.33 0.020 -.2851489 -.024547
contrato_si | .3896152 .0747323 5.21 0.000 .2431425 .5360879
indefinido | -.3835512 .0629112 -6.10 0.000 -.5068548 -.2602476
sector_min | .0648249 .2515232 0.26 0.797 -.4281516 .5578013
sector_ind | .4263216 .1062636 4.01 0.000 .2180487 .6345945
sector_energ | .4503403 .2794219 1.61 0.107 -.0973167 .9979972
sector_const | .5037282 .091309 5.52 0.000 .3247658 .6826907
sector_com | .5455943 .1226555 4.45 0.000 .305194 .7859947
sector_trans | .3536417 .1449395 2.44 0.015 .0695656 .6377179
sector_fin | .5873475 .1739933 3.38 0.001 .2463268 .9283681
sector_ser~m | 1.256018 .0835203 15.04 0.000 1.092321 1.419714
pers2a5 | -.1457344 .1013238 -1.44 0.150 -.3443254 .0528567
pers6a9 | -.0448608 .1363793 -0.33 0.742 -.3121593 .2224377
pers10a49 | .1204844 .0833701 1.45 0.148 -.042918 .2838867
100
pers50a199 | .1617396 .0904233 1.79 0.074 -.0154868 .3389659
pers200omas | .1926743 .0869047 2.22 0.027 .0223442 .3630044
rg1 | -.2962632 .2225554 -1.33 0.183 -.7324638 .1399374
rg2 | .1031551 .1883111 0.55 0.584 -.2659278 .4722381
rg3 | -.2338466 .2380814 -0.98 0.326 -.7004776 .2327844
rg4 | -.0808893 .1447188 -0.56 0.576 -.364533 .2027544
rg5 | -.1169157 .1071795 -1.09 0.275 -.3269837 .0931523
rg6 | -.2408418 .1263051 -1.91 0.057 -.4883952 .0067116
rg7 | -.1611747 .1215465 -1.33 0.185 -.3994015 .077052
rg8 | -.0639498 .1053188 -0.61 0.544 -.2703709 .1424713
rg9 | -.1707065 .1300695 -1.31 0.189 -.425638 .0842249
rg10 | -.0441923 .1155229 -0.38 0.702 -.270613 .1822284
rg11 | .3897728 .2191465 1.78 0.075 -.0397464 .819292
rg12 | -.4227572 .4196994 -1.01 0.314 -1.245353 .3998384
_cons | -.5758574 1.391619 -0.41 0.679 -3.30338 2.151665
------------------------------------------------------------------------------
. predict proylin_86, xb
(612 missing values generated)
. gen lambda_omil_86= (normalden(proylin_86)/normal(proylin_86))
(612 missing values generated)
. reg lytrabajhr lambda_omil_86 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=1 & qaut_2<3,
robust
Linear regression Number of obs = 25015
F( 42, 24972) = 65.56
Prob > F = 0.0000
R-squared = 0.1095
Root MSE = .60581
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~86 | -.0456527 .0552723 -0.83 0.409 -.1539896 .0626842
familiar | .0347517 .0118788 2.93 0.003 .0114686 .0580349
amigo | -.001723 .0104368 -0.17 0.869 -.0221797 .0187336
compa | .0449354 .0196097 2.29 0.022 .0064992 .0833717
empl | .0131492 .0159448 0.82 0.410 -.0181036 .0444019
omil | -.0607294 .0330694 -1.84 0.066 -.1255473 .0040886
puente | -.0237116 .136532 -0.17 0.862 -.2913223 .2438991
priv | -.1051366 .0699991 -1.50 0.133 -.242339 .0320658
estud | .0966619 .0371859 2.60 0.009 .0237753 .1695485
internet | .0647033 .1672372 0.39 0.699 -.2630915 .3924982
muni | -.0060263 .0360235 -0.17 0.867 -.0766345 .0645819
esc | .0257843 .0019582 13.17 0.000 .0219462 .0296224
experiencia | .0185039 .0009964 18.57 0.000 .0165508 .0204569
experiencia2 | -.0002697 .0000176 -15.33 0.000 -.0003042 -.0002352
rural | -.0189767 .010489 -1.81 0.070 -.0395359 .0015824
contrato_si | .1268927 .0220516 5.75 0.000 .0836703 .1701151
indefinido | .1327914 .0213757 6.21 0.000 .0908937 .174689
pers2a5 | -.1433389 .0164297 -8.72 0.000 -.1755421 -.1111357
pers6a9 | -.1345037 .0160752 -8.37 0.000 -.1660121 -.1029953
pers10a49 | -.0911659 .0135538 -6.73 0.000 -.1177322 -.0645996
pers50a199 | -.0639165 .0156259 -4.09 0.000 -.0945442 -.0332888
pers200omas | -.0136628 .0162141 -0.84 0.399 -.0454434 .0181178
sector_noesp | (dropped)
sector_min | .1701822 .0252957 6.73 0.000 .1206011 .2197633
sector_ind | .0760229 .0246031 3.09 0.002 .0277994 .1242464
sector_energ | .1224398 .0435294 2.81 0.005 .0371197 .2077599
sector_const | .1012243 .027538 3.68 0.000 .0472482 .1552003
sector_com | .0370675 .0307844 1.20 0.229 -.0232716 .0974067
101
sector_trans | .0478105 .0239962 1.99 0.046 .0007765 .0948445
sector_fin | .095194 .0348473 2.73 0.006 .0268912 .1634967
sector_ser~m | .0516516 .0639259 0.81 0.419 -.073647 .1769502
rg1 | .043653 .0333207 1.31 0.190 -.0216575 .1089635
rg2 | -.0109867 .0450634 -0.24 0.807 -.0993136 .0773402
rg3 | .137524 .0284299 4.84 0.000 .0817997 .1932483
rg4 | -.0336219 .0197646 -1.70 0.089 -.0723617 .0051179
rg5 | -.0022939 .0147529 -0.16 0.876 -.0312105 .0266228
rg6 | -.0023292 .0170941 -0.14 0.892 -.0358347 .0311763
rg7 | -.0277286 .016288 -1.70 0.089 -.059654 .0041968
rg8 | -.0999262 .0141395 -7.07 0.000 -.1276404 -.0722119
rg9 | -.0373528 .0175092 -2.13 0.033 -.0716719 -.0030337
rg10 | .0818189 .015069 5.43 0.000 .0522829 .111355
rg11 | .1235886 .057016 2.17 0.030 .0118338 .2353433
rg12 | .0148058 .0561958 0.26 0.792 -.0953413 .1249528
_cons | 6.188589 .1701325 36.38 0.000 5.855119 6.522058
Quintiles 3 y 4
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2>=3 & qaut_2<5
Iteration 0: log likelihood = -994.99381
Iteration 1: log likelihood = -890.57804
Iteration 2: log likelihood = -870.71773
Iteration 3: log likelihood = -869.67926
Iteration 4: log likelihood = -869.66697
Iteration 5: log likelihood = -869.66697
Probit regression Number of obs = 23160
LR chi2(39) = 250.65
Prob > chi2 = 0.0000
Log likelihood = -869.66697 Pseudo R2 = 0.1260
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | -.1022247 .0706217 -1.45 0.148 -.2406408 .0361913
gto_mun | -.0001239 .0003704 -0.33 0.738 -.0008498 .0006021
luz | -.7886543 .3831805 -2.06 0.040 -1.539674 -.0376343
agua | -.5851367 .2883935 -2.03 0.042 -1.150378 -.0198958
alcan | -.1061458 .202339 -0.52 0.600 -.5027229 .2904314
lyauth_t_c | -.191497 .1262247 -1.52 0.129 -.4388929 .0558988
tiene_omil | .1551462 .0889181 1.74 0.081 -.0191301 .3294225
esc | -.0067195 .0109193 -0.62 0.538 -.028121 .014682
experiencia | .0072459 .006873 1.05 0.292 -.0062249 .0207166
experiencia2 | -.0000543 .0001138 -0.48 0.633 -.0002774 .0001688
rural | -.2041769 .0879204 -2.32 0.020 -.3764977 -.0318562
contrato_si | .3520284 .1000848 3.52 0.000 .1558657 .5481911
indefinido | -.2311274 .0734934 -3.14 0.002 -.3751718 -.0870831
sector_noesp | .7944981 .3059687 2.60 0.009 .1948105 1.394186
sector_min | .0336365 .2482643 0.14 0.892 -.4529525 .5202255
sector_ind | .4905804 .1240304 3.96 0.000 .2474852 .7336756
sector_energ | .7615589 .2475801 3.08 0.002 .2763107 1.246807
sector_const | .3239512 .1297039 2.50 0.013 .0697362 .5781663
sector_com | .4043808 .1453815 2.78 0.005 .1194384 .6893233
sector_trans | .2902729 .1618212 1.79 0.073 -.0268908 .6074366
sector_fin | .5695429 .1667582 3.42 0.001 .2427029 .8963829
sector_ser~m | .9576146 .1106348 8.66 0.000 .7407744 1.174455
pers2a5 | -.419431 .1500264 -2.80 0.005 -.7134773 -.1253848
pers6a9 | -.1500088 .1739525 -0.86 0.388 -.4909494 .1909319
pers10a49 | .1025964 .0965047 1.06 0.288 -.0865494 .2917422
pers50a199 | .0511462 .1056501 0.48 0.628 -.1559243 .2582167
pers200omas | -.0449734 .0982627 -0.46 0.647 -.2375647 .1476179
rg1 | .1126185 .1833678 0.61 0.539 -.2467757 .4720127
102
rg2 | .1149202 .1762565 0.65 0.514 -.2305362 .4603767
rg3 | .3632253 .1511465 2.40 0.016 .0669837 .6594669
rg4 | -.4619161 .2695366 -1.71 0.087 -.9901981 .0663659
rg5 | -.183131 .1278727 -1.43 0.152 -.4337568 .0674947
rg6 | .3086145 .1221919 2.53 0.012 .0691227 .5481063
rg7 | -.161485 .1602598 -1.01 0.314 -.4755884 .1526185
rg8 | .0308387 .1237223 0.25 0.803 -.2116525 .2733298
rg9 | -.1072791 .1594772 -0.67 0.501 -.4198487 .2052905
rg10 | -.0830642 .1370646 -0.61 0.545 -.3517058 .1855775
rg11 | .4672018 .1911841 2.44 0.015 .0924878 .8419157
rg12 | -.4211719 .3399025 -1.24 0.215 -1.087369 .2450247
_cons | .7269112 1.660097 0.44 0.661 -2.526819 3.980642
------------------------------------------------------------------------------
. predict proylin_87, xb
(248 missing values generated)
. gen lambda_omil_87= (normalden(proylin_87)/normal(proylin_87))
(248 missing values generated)
. reg lytrabajhr lambda_omil_87 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=3 & qaut_2<5,
robust
Linear regression Number of obs = 22833
F( 43, 22789) = 105.19
Prob > F = 0.0000
R-squared = 0.1498
Root MSE = .59885
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~87 | .4252424 .0301026 14.13 0.000 .3662394 .4842455
familiar | .0238235 .0116281 2.05 0.040 .0010317 .0466153
amigo | -.0591015 .0105688 -5.59 0.000 -.0798172 -.0383859
compa | -.0084778 .0187838 -0.45 0.652 -.0452953 .0283398
empl | -.001505 .0174481 -0.09 0.931 -.0357045 .0326945
omil | -.1171287 .0414485 -2.83 0.005 -.1983707 -.0358868
puente | -.029104 .1511291 -0.19 0.847 -.3253273 .2671193
priv | .0437363 .0526116 0.83 0.406 -.059386 .1468585
estud | .1118609 .0271556 4.12 0.000 .0586341 .1650877
internet | .1120039 .0560797 2.00 0.046 .0020838 .2219241
muni | .0291459 .0355997 0.82 0.413 -.0406319 .0989236
esc | .0441124 .0016515 26.71 0.000 .0408755 .0473494
experiencia | .0275943 .0009017 30.60 0.000 .025827 .0293617
experiencia2 | -.0003257 .0000159 -20.44 0.000 -.000357 -.0002945
rural | -.0613665 .010719 -5.73 0.000 -.0823764 -.0403566
contrato_si | .0110229 .0154713 0.71 0.476 -.0193019 .0413477
indefinido | -.0544838 .0116496 -4.68 0.000 -.0773178 -.0316498
pers2a5 | -.3189964 .0200524 -15.91 0.000 -.3583006 -.2796923
pers6a9 | -.2763131 .0190386 -14.51 0.000 -.3136301 -.2389962
pers10a49 | -.0971892 .0131966 -7.36 0.000 -.1230554 -.071323
pers50a199 | -.0949521 .0140505 -6.76 0.000 -.1224921 -.0674121
pers200omas | -.0262439 .0133827 -1.96 0.050 -.0524748 -.000013
sector_noesp | .4137656 .0596883 6.93 0.000 .2967725 .5307588
sector_min | .243557 .0214855 11.34 0.000 .201444 .28567
sector_ind | .2575036 .0184765 13.94 0.000 .2212884 .2937188
sector_energ | .4470201 .0414885 10.77 0.000 .3656998 .5283403
sector_const | .2095384 .0159745 13.12 0.000 .1782274 .2408495
sector_com | .160893 .0198705 8.10 0.000 .1219455 .1998406
sector_trans | .1164825 .0188515 6.18 0.000 .0795323 .1534327
sector_fin | .2656204 .025132 10.57 0.000 .21636 .3148808
sector_ser~m | .4737223 .0294917 16.06 0.000 .4159165 .531528
103
rg1 | .0659227 .0286793 2.30 0.022 .0097093 .1221361
rg2 | .097602 .024245 4.03 0.000 .0500801 .1451239
rg3 | .2826536 .0240024 11.78 0.000 .2356072 .3297
rg4 | -.1034837 .0230608 -4.49 0.000 -.1486845 -.0582829
rg5 | -.0926095 .013852 -6.69 0.000 -.1197604 -.0654585
rg6 | .0827349 .0169461 4.88 0.000 .0495193 .1159505
rg7 | -.056304 .0173416 -3.25 0.001 -.0902947 -.0223134
rg8 | .1099395 .0163632 6.72 0.000 .0778665 .1420125
rg9 | .1286305 .0203403 6.32 0.000 .0887621 .1684989
rg10 | .1761158 .0157521 11.18 0.000 .1452407 .2069909
rg11 | .293017 .0454412 6.45 0.000 .2039492 .3820848
rg12 | -.0144559 .0295928 -0.49 0.625 -.0724597 .043548
_cons | 4.943149 .1039047 47.57 0.000 4.739489 5.146809
Separados por Quintiles de Ingreso Autónomo del Hogar per Cápita, excluyendo a las personas que están en los bordes de cada Quintil.
Mínimos Cuadrados Ordinarios
Quintil 1
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==1 &
borde_om_esc==0, robust
Linear regression Number of obs = 11144
F( 42, 11101) = 29.71
Prob > F = 0.0000
R-squared = 0.1101
Root MSE = .64522
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0258244 .0191449 1.35 0.177 -.0117031 .0633519
amigo | .0226631 .016899 1.34 0.180 -.0104621 .0557882
compa | .0556399 .0299751 1.86 0.063 -.0031167 .1143964
empl | .0150952 .0262575 0.57 0.565 -.0363742 .0665647
omil | -.0439196 .0506544 -0.87 0.386 -.1432112 .055372
puente | -.1016087 .1662767 -0.61 0.541 -.4275406 .2243233
priv | -.2430898 .160771 -1.51 0.131 -.5582295 .0720498
estud | .0665362 .0985321 0.68 0.500 -.1266043 .2596767
internet | .1178768 .3947575 0.30 0.765 -.6559181 .8916716
muni | .0478181 .0486016 0.98 0.325 -.0474497 .1430859
esc | .014114 .0025575 5.52 0.000 .0091008 .0191271
experiencia | .018899 .0017116 11.04 0.000 .015544 .022254
experiencia2 | -.0003043 .0000291 -10.45 0.000 -.0003614 -.0002472
rural | -.0535265 .0141549 -3.78 0.000 -.0812727 -.0257804
contrato_si | .206374 .0151999 13.58 0.000 .1765795 .2361684
indefinido | .125408 .0127907 9.80 0.000 .100336 .15048
pers2a5 | -.1236304 .0217801 -5.68 0.000 -.1663232 -.0809376
pers6a9 | -.102092 .0241338 -4.23 0.000 -.1493986 -.0547854
pers10a49 | -.0515634 .0192785 -2.67 0.007 -.0893527 -.013774
pers50a199 | -.0592018 .0218815 -2.71 0.007 -.1020933 -.0163102
pers200omas | -.0184086 .0216866 -0.85 0.396 -.0609181 .0241009
sector_noesp | .2441726 .1065756 2.29 0.022 .0352655 .4530798
sector_min | .074363 .0476362 1.56 0.119 -.0190124 .1677384
sector_ind | .0941105 .0208247 4.52 0.000 .0532904 .1349306
sector_energ | .2194573 .0676922 3.24 0.001 .0867686 .3521459
104
sector_const | .1198839 .0199545 6.01 0.000 .0807696 .1589982
sector_com | .0534581 .0269996 1.98 0.048 .000534 .1063821
sector_trans | .0334003 .026861 1.24 0.214 -.019252 .0860527
sector_fin | .0961754 .031908 3.01 0.003 .0336302 .1587207
sector_ser~m | .1244046 .0260322 4.78 0.000 .0733769 .1754323
rg1 | .0146993 .050663 0.29 0.772 -.0846092 .1140077
rg2 | -.0778732 .0908022 -0.86 0.391 -.2558616 .1001153
rg3 | .0756647 .0424635 1.78 0.075 -.0075714 .1589007
rg4 | -.0046167 .0304361 -0.15 0.879 -.0642768 .0550433
rg5 | .0005497 .0237114 0.02 0.982 -.0459288 .0470282
rg6 | -.0019088 .0246884 -0.08 0.938 -.0503023 .0464848
rg7 | -.0499197 .0261104 -1.91 0.056 -.1011008 .0012614
rg8 | -.1322151 .0225104 -5.87 0.000 -.1763396 -.0880907
rg9 | -.0520394 .0253542 -2.05 0.040 -.1017383 -.0023406
rg10 | .0550761 .0251877 2.19 0.029 .0057038 .1044484
rg11 | .0371057 .0952617 0.39 0.697 -.1496242 .2238356
rg12 | .0230485 .0885354 0.26 0.795 -.1504967 .1965936
_cons | 5.961348 .0448626 132.88 0.000 5.873409 6.049287
Quintil 2
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==2 &
borde_om_esc==0, robust
Linear regression Number of obs = 12169
F( 42, 12126) = 34.14
Prob > F = 0.0000
R-squared = 0.1037
Root MSE = .54161
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0334775 .0152602 2.19 0.028 .0035651 .0633898
amigo | -.0089864 .0133971 -0.67 0.502 -.0352467 .017274
compa | .0394492 .026854 1.47 0.142 -.0131889 .0920873
empl | .0137671 .0201496 0.68 0.494 -.0257293 .0532634
omil | -.0580522 .0410873 -1.41 0.158 -.1385898 .0224854
puente | -.1465827 .2332683 -0.63 0.530 -.6038258 .3106604
priv | .0020053 .0497326 0.04 0.968 -.0954785 .0994892
estud | .0985319 .0397656 2.48 0.013 .020585 .1764788
internet | .0973645 .159011 0.61 0.540 -.2143223 .4090514
muni | -.0629761 .0591011 -1.07 0.287 -.1788236 .0528714
esc | .0270986 .0021571 12.56 0.000 .0228704 .0313268
experiencia | .0227825 .0011773 19.35 0.000 .0204749 .0250902
experiencia2 | -.0003283 .0000209 -15.71 0.000 -.0003693 -.0002873
rural | .005101 .0111614 0.46 0.648 -.0167771 .0269791
contrato_si | .0536187 .0133086 4.03 0.000 .0275318 .0797056
indefinido | .0886411 .0106147 8.35 0.000 .0678345 .1094476
pers2a5 | -.1464988 .019947 -7.34 0.000 -.185598 -.1073995
pers6a9 | -.1387847 .0213291 -6.51 0.000 -.1805931 -.0969763
pers10a49 | -.1122885 .0157967 -7.11 0.000 -.1432525 -.0813246
pers50a199 | -.0699463 .0170954 -4.09 0.000 -.103456 -.0364366
pers200omas | -.0198117 .0171152 -1.16 0.247 -.0533601 .0137368
sector_noesp | .2009714 .079949 2.51 0.012 .0442586 .3576842
sector_min | .2019386 .0284471 7.10 0.000 .1461776 .2576995
sector_ind | .0698187 .0164949 4.23 0.000 .037486 .1021513
sector_energ | .1208223 .0416557 2.90 0.004 .0391706 .2024741
sector_const | .1066176 .016373 6.51 0.000 .0745238 .1387114
sector_com | .0382341 .0219609 1.74 0.082 -.0048129 .081281
sector_trans | .0532764 .0232217 2.29 0.022 .0077583 .0987946
sector_fin | .0891747 .0284687 3.13 0.002 .0333715 .1449779
sector_ser~m | .0865021 .0210114 4.12 0.000 .0453164 .1276877
105
rg1 | .1348873 .0427892 3.15 0.002 .0510137 .2187609
rg2 | .0253537 .049189 0.52 0.606 -.0710646 .1217721
rg3 | .1495722 .0331646 4.51 0.000 .0845643 .21458
rg4 | -.029792 .0274234 -1.09 0.277 -.0835463 .0239623
rg5 | .0011846 .0188368 0.06 0.950 -.0357387 .0381078
rg6 | -.0308804 .01846 -1.67 0.094 -.0670649 .0053042
rg7 | .0131438 .0190205 0.69 0.490 -.0241394 .050427
rg8 | -.0062906 .0185737 -0.34 0.735 -.042698 .0301168
rg9 | .0302255 .0228314 1.32 0.186 -.0145277 .0749786
rg10 | .0989356 .0195387 5.06 0.000 .0606365 .1372346
rg11 | .2047653 .056563 3.62 0.000 .0938928 .3156378
rg12 | -.0743105 .0720429 -1.03 0.302 -.2155262 .0669052
_cons | 6.150986 .0361055 170.36 0.000 6.080214 6.221759
Quintil 3
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==3 &
borde_om_esc==0, robust
Linear regression Number of obs = 10462
F( 42, 10419) = 38.01
Prob > F = 0.0000
R-squared = 0.1193
Root MSE = .56441
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0283172 .0166214 1.70 0.088 -.0042639 .0608983
amigo | -.0549386 .014831 -3.70 0.000 -.0840103 -.0258669
compa | -.0124092 .0265675 -0.47 0.640 -.0644867 .0396682
empl | .018855 .0232047 0.81 0.416 -.0266307 .0643406
omil | -.086519 .0559276 -1.55 0.122 -.1961477 .0231098
puente | -.0265305 .1973516 -0.13 0.893 -.4133776 .3603165
priv | .1178725 .0707793 1.67 0.096 -.0208685 .2566134
estud | .1257245 .0409069 3.07 0.002 .045539 .2059099
internet | .0948796 .067155 1.41 0.158 -.0367571 .2265162
muni | .0385096 .0583461 0.66 0.509 -.07586 .1528792
esc | .0353431 .0023359 15.13 0.000 .0307644 .0399219
experiencia | .0241398 .001273 18.96 0.000 .0216445 .0266351
experiencia2 | -.0003189 .000023 -13.86 0.000 -.000364 -.0002737
rural | .007983 .0135602 0.59 0.556 -.0185975 .0345635
contrato_si | -.0565873 .016109 -3.51 0.000 -.0881639 -.0250106
indefinido | .0635595 .0125272 5.07 0.000 .0390038 .0881151
pers2a5 | -.1564111 .0229053 -6.83 0.000 -.2013099 -.1115123
pers6a9 | -.1849361 .0261993 -7.06 0.000 -.2362916 -.1335805
pers10a49 | -.1472984 .0175953 -8.37 0.000 -.1817886 -.1128082
pers50a199 | -.107961 .0186725 -5.78 0.000 -.1445626 -.0713595
pers200omas | -.0277225 .0183622 -1.51 0.131 -.063716 .008271
sector_noesp | .0511327 .0766356 0.67 0.505 -.0990878 .2013532
sector_min | .2364827 .0302614 7.81 0.000 .1771645 .2958008
sector_ind | .066648 .018286 3.64 0.000 .030804 .102492
sector_energ | .1110413 .0533562 2.08 0.037 .0064529 .2156297
sector_const | .1124623 .0190285 5.91 0.000 .0751627 .1497618
sector_com | .0000655 .0227895 0.00 0.998 -.0446063 .0447373
sector_trans | .0410759 .023864 1.72 0.085 -.005702 .0878538
sector_fin | .0770755 .0275827 2.79 0.005 .0230082 .1311429
sector_ser~m | .0905256 .022664 3.99 0.000 .0460999 .1349514
rg1 | -.0322444 .0424933 -0.76 0.448 -.1155394 .0510507
rg2 | .117137 .0333907 3.51 0.000 .0516849 .182589
rg3 | .1832986 .0330821 5.54 0.000 .1184513 .2481459
rg4 | .0576211 .0294742 1.95 0.051 -.000154 .1153963
rg5 | -.023812 .0177045 -1.34 0.179 -.0585162 .0108922
106
rg6 | -.0265757 .01953 -1.36 0.174 -.0648583 .0117069
rg7 | -.0280592 .0236792 -1.18 0.236 -.0744749 .0183565
rg8 | .0340413 .0208295 1.63 0.102 -.0067886 .0748712
rg9 | .1281798 .0277847 4.61 0.000 .0737165 .1826431
rg10 | .1032084 .0220134 4.69 0.000 .060058 .1463588
rg11 | .171103 .0714021 2.40 0.017 .0311412 .3110648
rg12 | .0609183 .0404165 1.51 0.132 -.0183057 .1401423
_cons | 6.339742 .0404643 156.67 0.000 6.260424 6.419059
Quintil 4
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==4 &
borde_om_esc==0, robust
Linear regression Number of obs = 8825
F( 42, 8782) = 40.50
Prob > F = 0.0000
R-squared = 0.1464
Root MSE = .62304
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0032363 .0189865 0.17 0.865 -.0339816 .0404542
amigo | -.0632193 .0173559 -3.64 0.000 -.097241 -.0291977
compa | -.0282817 .0309788 -0.91 0.361 -.0890074 .0324439
empl | -.019946 .0315599 -0.63 0.527 -.0818109 .0419188
omil | -.1291042 .072876 -1.77 0.077 -.2719582 .0137498
puente | .1282713 .3140376 0.41 0.683 -.4873158 .7438585
priv | -.0204432 .0881667 -0.23 0.817 -.1932705 .1523842
estud | .0887588 .0400082 2.22 0.027 .0103333 .1671843
internet | .101787 .083395 1.22 0.222 -.0616868 .2652607
muni | -.0604125 .0522276 -1.16 0.247 -.1627908 .0419658
esc | .050754 .0025993 19.53 0.000 .0456588 .0558491
experiencia | .0295718 .0015063 19.63 0.000 .0266191 .0325244
experiencia2 | -.0003601 .0000269 -13.39 0.000 -.0004128 -.0003074
rural | -.0230927 .0179347 -1.29 0.198 -.0582488 .0120634
contrato_si | -.1791409 .0213015 -8.41 0.000 -.2208969 -.1373849
indefinido | -.005767 .0164453 -0.35 0.726 -.0380036 .0264697
pers2a5 | -.1521611 .026517 -5.74 0.000 -.2041406 -.1001815
pers6a9 | -.2450685 .0315935 -7.76 0.000 -.3069992 -.1831378
pers10a49 | -.0834278 .0221658 -3.76 0.000 -.1268779 -.0399777
pers50a199 | -.0776213 .0238409 -3.26 0.001 -.1243551 -.0308875
pers200omas | .046474 .0219636 2.12 0.034 .0034202 .0895277
sector_noesp | .1332812 .0774438 1.72 0.085 -.0185268 .2850893
sector_min | .216631 .0351071 6.17 0.000 .1478129 .2854492
sector_ind | .0686593 .0233556 2.94 0.003 .0228769 .1144417
sector_energ | .1884596 .0504216 3.74 0.000 .0896215 .2872977
sector_const | .046264 .024848 1.86 0.063 -.002444 .094972
sector_com | .0108029 .0281468 0.38 0.701 -.0443716 .0659773
sector_trans | .0014017 .0302308 0.05 0.963 -.0578577 .0606611
sector_fin | .0379921 .0351856 1.08 0.280 -.0309799 .1069641
sector_ser~m | .1043829 .0254688 4.10 0.000 .054458 .1543077
rg1 | -.0429871 .0434948 -0.99 0.323 -.128247 .0422729
rg2 | .0378303 .0397848 0.95 0.342 -.0401572 .1158177
rg3 | .0971373 .0334919 2.90 0.004 .0314853 .1627892
rg4 | .033326 .036906 0.90 0.367 -.0390185 .1056704
rg5 | -.0254263 .0223684 -1.14 0.256 -.0692736 .0184211
rg6 | .0010305 .0248096 0.04 0.967 -.0476021 .049663
rg7 | .0108771 .0309458 0.35 0.725 -.0497838 .0715381
rg8 | .0351676 .0256322 1.37 0.170 -.0150775 .0854127
rg9 | .0630123 .0349629 1.80 0.072 -.0055231 .1315477
rg10 | .1600338 .0252322 6.34 0.000 .1105727 .2094949
107
rg11 | -.0093411 .0617916 -0.15 0.880 -.1304671 .1117849
rg12 | .1151497 .0416599 2.76 0.006 .0334866 .1968129
_cons | 6.481498 .0463096 139.96 0.000 6.390721 6.572276
------------------------------------------------------------------------------
Quintil 5
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==5 &
borde_om_esc==0, robust
Linear regression Number of obs = 6241
F( 41, 6198) = .
Prob > F = .
R-squared = 0.2387
Root MSE = .80037
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | -.0592459 .0288167 -2.06 0.040 -.1157366 -.0027551
amigo | -.1281717 .0273674 -4.68 0.000 -.1818213 -.074522
compa | -.0252869 .0480967 -0.53 0.599 -.1195732 .0689993
empl | .0297074 .0510038 0.58 0.560 -.0702778 .1296925
omil | -.1859514 .1940151 -0.96 0.338 -.5662882 .1943854
puente | .6565971 .0575502 11.41 0.000 .5437788 .7694154
priv | .1322381 .115311 1.15 0.252 -.0938114 .3582876
estud | .0477618 .0464233 1.03 0.304 -.043244 .1387676
internet | .08205 .1150479 0.71 0.476 -.1434838 .3075839
muni | -.1234523 .0709938 -1.74 0.082 -.2626248 .0157202
esc | .0989449 .0035037 28.24 0.000 .0920763 .1058134
experiencia | .0375992 .0024322 15.46 0.000 .0328312 .0423671
experiencia2 | -.0003792 .0000454 -8.35 0.000 -.0004682 -.0002902
rural | .0778669 .0287674 2.71 0.007 .0214728 .1342611
contrato_si | -.4294812 .0373359 -11.50 0.000 -.5026725 -.35629
indefinido | -.1039336 .0303476 -3.42 0.001 -.1634255 -.0444418
pers2a5 | .0663059 .0370261 1.79 0.073 -.0062782 .1388899
pers6a9 | -.0573754 .0665774 -0.86 0.389 -.1878902 .0731394
pers10a49 | .0515436 .0383705 1.34 0.179 -.0236759 .1267631
pers50a199 | .17038 .0400887 4.25 0.000 .0917923 .2489677
pers200omas | .2111604 .0346672 6.09 0.000 .1432006 .2791202
sector_noesp | .1205341 .1006098 1.20 0.231 -.076696 .3177642
sector_min | .1795659 .053792 3.34 0.001 .0741149 .285017
sector_ind | -.0944793 .0428023 -2.21 0.027 -.1783867 -.010572
sector_energ | -.0535391 .10095 -0.53 0.596 -.2514361 .1443579
sector_const | -.0735139 .0458815 -1.60 0.109 -.1634575 .0164297
sector_com | -.2250852 .0437504 -5.14 0.000 -.3108512 -.1393192
sector_trans | -.1745017 .0485913 -3.59 0.000 -.2697576 -.0792458
sector_fin | .0422119 .0480448 0.88 0.380 -.0519725 .1363964
sector_ser~m | -.1093694 .0389813 -2.81 0.005 -.1857862 -.0329526
rg1 | -.3099883 .057988 -5.35 0.000 -.423665 -.1963116
rg2 | -.1065859 .0453051 -2.35 0.019 -.1953996 -.0177723
rg3 | -.1643272 .0544925 -3.02 0.003 -.2711514 -.057503
rg4 | -.1007613 .0600064 -1.68 0.093 -.2183948 .0168721
rg5 | -.0687883 .0390441 -1.76 0.078 -.1453282 .0077517
rg6 | -.1467109 .047946 -3.06 0.002 -.2407017 -.0527201
rg7 | -.0967823 .0535701 -1.81 0.071 -.2017984 .0082337
rg8 | -.1057657 .037739 -2.80 0.005 -.1797472 -.0317842
rg9 | -.080914 .0488818 -1.66 0.098 -.1767392 .0149112
rg10 | -.0800439 .039072 -2.05 0.041 -.1566385 -.0034493
rg11 | -.0718381 .0595136 -1.21 0.227 -.1885055 .0448293
rg12 | -.1388498 .0594699 -2.33 0.020 -.2554315 -.0222681
_cons | 6.63813 .0688754 96.38 0.000 6.50311 6.773149
108
Quintiles 1 y 2
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=1 & qaut_2<3 &
borde_om_esc==0, robust
Linear regression Number of obs = 23313
F( 42, 23270) = 63.12
Prob > F = 0.0000
R-squared = 0.1114
Root MSE = .61333
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0358551 .0124867 2.87 0.004 .0113803 .0603299
amigo | .0004702 .0109811 0.04 0.966 -.0210535 .0219939
compa | .049814 .0206816 2.41 0.016 .0092768 .0903513
empl | .014665 .016934 0.87 0.386 -.0185266 .0478567
omil | -.072786 .0333157 -2.18 0.029 -.1380869 -.0074851
puente | -.1795176 .1359965 -1.32 0.187 -.4460797 .0870445
priv | -.104653 .0727925 -1.44 0.151 -.2473311 .038025
estud | .1043622 .0392635 2.66 0.008 .0274032 .1813213
internet | .0979811 .1724482 0.57 0.570 -.2400288 .435991
muni | -.0240253 .0381945 -0.63 0.529 -.0988891 .0508385
esc | .0252874 .0017015 14.86 0.000 .0219524 .0286223
experiencia | .017871 .0010041 17.80 0.000 .0159029 .019839
experiencia2 | -.0002582 .0000176 -14.67 0.000 -.0002927 -.0002237
rural | -.0292122 .0092288 -3.17 0.002 -.0473012 -.0111232
contrato_si | .1527362 .010382 14.71 0.000 .1323867 .1730856
indefinido | .1140462 .008445 13.50 0.000 .0974934 .1305989
pers2a5 | -.1478932 .0153009 -9.67 0.000 -.177884 -.1179024
pers6a9 | -.1372939 .0167582 -8.19 0.000 -.1701411 -.1044467
pers10a49 | -.0858448 .012765 -6.73 0.000 -.1108649 -.0608246
pers50a199 | -.0602751 .0140776 -4.28 0.000 -.0878681 -.0326821
pers200omas | -.0084982 .0139326 -0.61 0.542 -.0358071 .0188106
sector_noesp | .2158644 .0672328 3.21 0.001 .0840838 .3476451
sector_min | .1724574 .0265352 6.50 0.000 .1204467 .2244681
sector_ind | .0926935 .013449 6.89 0.000 .0663326 .1190545
sector_energ | .1600274 .0383426 4.17 0.000 .0848733 .2351815
sector_const | .1234689 .013306 9.28 0.000 .0973883 .1495495
sector_com | .0602688 .017583 3.43 0.001 .025805 .0947326
sector_trans | .0590137 .0182533 3.23 0.001 .023236 .0947913
sector_fin | .1205571 .0227035 5.31 0.000 .0760567 .1650575
sector_ser~m | .112457 .0167966 6.70 0.000 .0795346 .1453794
rg1 | .0580499 .03454 1.68 0.093 -.0096508 .1257506
rg2 | .0003098 .045781 0.01 0.995 -.089424 .0900436
rg3 | .1296184 .0275469 4.71 0.000 .0756246 .1836122
rg4 | -.0414361 .0206377 -2.01 0.045 -.0818875 -.0009848
rg5 | -.0049456 .015148 -0.33 0.744 -.0346368 .0247455
rg6 | -.0096351 .0152025 -0.63 0.526 -.039433 .0201628
rg7 | -.0286147 .0164138 -1.74 0.081 -.0607868 .0035573
rg8 | -.1032083 .0147971 -6.97 0.000 -.1322117 -.074205
rg9 | -.0493161 .0174235 -2.83 0.005 -.0834674 -.0151649
rg10 | .0852871 .0159599 5.34 0.000 .0540047 .1165695
rg11 | .160349 .0526894 3.04 0.002 .0570742 .2636237
rg12 | -.0232024 .0557319 -0.42 0.677 -.1324406 .0860357
_cons | 6.037177 .0288847 209.01 0.000 5.980561 6.093793
------------------------------------------------------------------------------
Quintiles 3 y 4
. reg lytrabajhr familiar amigo compa empl omil puente priv estud internet muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
109
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=3 & qaut_2<5 &
borde_om_esc==0, robust
Linear regression Number of obs = 19287
F( 42, 19244) = 88.68
Prob > F = 0.0000
R-squared = 0.1462
Root MSE = .60721
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
familiar | .0197391 .0128158 1.54 0.124 -.0053811 .0448593
amigo | -.0675458 .011612 -5.82 0.000 -.0903063 -.0447853
compa | -.0140833 .0209472 -0.67 0.501 -.0551417 .026975
empl | -.0091379 .0192525 -0.47 0.635 -.0468744 .0285986
omil | -.1243591 .0462179 -2.69 0.007 -.2149503 -.033768
puente | .021491 .1754941 0.12 0.903 -.3224926 .3654747
priv | .0369448 .055841 0.66 0.508 -.0725084 .1463979
estud | .1112859 .0291716 3.81 0.000 .054107 .1684647
internet | .1296274 .0587916 2.20 0.027 .0143907 .2448642
muni | .0029143 .0399942 0.07 0.942 -.0754779 .0813065
esc | .0502819 .0017719 28.38 0.000 .0468088 .053755
experiencia | .0268467 .000994 27.01 0.000 .0248983 .0287951
experiencia2 | -.0003205 .0000178 -17.98 0.000 -.0003555 -.0002856
rural | -.014579 .0111454 -1.31 0.191 -.036425 .007267
contrato_si | -.1249876 .0132044 -9.47 0.000 -.1508694 -.0991058
indefinido | .0367197 .0102166 3.59 0.000 .0166943 .056745
pers2a5 | -.1564565 .0177717 -8.80 0.000 -.1912907 -.1216223
pers6a9 | -.2247889 .0204435 -11.00 0.000 -.2648599 -.1847179
pers10a49 | -.1349412 .0141502 -9.54 0.000 -.1626769 -.1072056
pers50a199 | -.1060428 .0151214 -7.01 0.000 -.135682 -.0764036
pers200omas | .0004506 .0144634 0.03 0.975 -.0278989 .0288001
sector_noesp | .0929537 .0563771 1.65 0.099 -.0175502 .2034577
sector_min | .2514841 .0236098 10.65 0.000 .2052068 .2977614
sector_ind | .0783829 .014849 5.28 0.000 .0492776 .1074882
sector_energ | .1578167 .0384181 4.11 0.000 .0825139 .2331195
sector_const | .0857216 .0154381 5.55 0.000 .0554615 .1159816
sector_com | .0136219 .0181846 0.75 0.454 -.0220214 .0492652
sector_trans | .0283711 .0192696 1.47 0.141 -.009399 .0661412
sector_fin | .0620304 .0224473 2.76 0.006 .0180317 .106029
sector_ser~m | .115313 .0170758 6.75 0.000 .0818429 .148783
rg1 | -.0407466 .030936 -1.32 0.188 -.1013838 .0198906
rg2 | .0805558 .0268436 3.00 0.003 .0279401 .1331715
rg3 | .1513467 .0240566 6.29 0.000 .1041936 .1984997
rg4 | .0307384 .0236288 1.30 0.193 -.0155761 .0770529
rg5 | -.0409022 .014449 -2.83 0.005 -.0692236 -.0125809
rg6 | -.0347053 .0157853 -2.20 0.028 -.0656458 -.0037649
rg7 | -.0328638 .0193442 -1.70 0.089 -.07078 .0050525
rg8 | .0175209 .016632 1.05 0.292 -.0150793 .0501211
rg9 | .0800412 .022108 3.62 0.000 .0367077 .1233748
rg10 | .1289698 .0171939 7.50 0.000 .0952682 .1626714
rg11 | .095634 .0468961 2.04 0.041 .0037136 .1875543
rg12 | .1188895 .0309982 3.84 0.000 .0581303 .1796487
_cons | 6.330683 .031009 204.16 0.000 6.269903 6.391463
Matching
Quintil 1
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
110
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==1 &
borde_om_esc==0, outcome(lytrabajhr) neighbor(1) ate
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 33 obs not used
note: rg12 != 0 predicts failure perfectly
rg12 dropped and 45 obs not used
Probit regression Number of obs = 11066
LR chi2(30) = 281.04
Prob > chi2 = 0.0000
Log likelihood = -539.70769 Pseudo R2 = 0.2066
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.0298559 .0150068 -1.99 0.047 -.0592687 -.0004431
experiencia | -.0223692 .0088877 -2.52 0.012 -.0397887 -.0049497
experiencia2 | .0003374 .0001388 2.43 0.015 .0000653 .0006095
rural | .0099417 .0906887 0.11 0.913 -.1678048 .1876883
contrato_si | .4501781 .1054191 4.27 0.000 .2435604 .6567958
indefinido | -.4900792 .097944 -5.00 0.000 -.6820459 -.2981126
pers2a5 | -.0750569 .1426546 -0.53 0.599 -.3546548 .2045411
pers6a9 | .0465228 .1925618 0.24 0.809 -.3308914 .423937
pers10a49 | .1252763 .1249651 1.00 0.316 -.1196509 .3702035
pers50a199 | .2256256 .1332839 1.69 0.090 -.0356059 .4868572
pers200omas | .1751962 .1364244 1.28 0.199 -.0921908 .4425832
sector_min | .3062749 .3789941 0.81 0.419 -.4365398 1.04909
sector_ind | .4590314 .1631991 2.81 0.005 .139167 .7788958
sector_energ | .5356127 .4180995 1.28 0.200 -.2838473 1.355073
sector_const | .5958314 .1307104 4.56 0.000 .3396437 .852019
sector_com | .4817643 .203058 2.37 0.018 .0837779 .8797507
sector_trans | .2397663 .2667928 0.90 0.369 -.283138 .7626706
sector_fin | .8449618 .2662742 3.17 0.002 .3230739 1.36685
sector_ser~m | 1.410424 .1213455 11.62 0.000 1.172591 1.648257
rg1 | -.1716335 .3064373 -0.56 0.575 -.7722396 .4289726
rg2 | .0613615 .3467184 0.18 0.860 -.6181941 .7409172
rg3 | -.3360442 .4536558 -0.74 0.459 -1.225193 .5531048
rg4 | .066722 .2110335 0.32 0.752 -.3468962 .4803401
rg5 | -.020553 .1707963 -0.12 0.904 -.3553077 .3142016
rg6 | -.2514067 .2056633 -1.22 0.222 -.6544994 .151686
rg7 | .0469018 .1667225 0.28 0.778 -.2798682 .3736718
rg8 | .0918505 .1384657 0.66 0.507 -.1795373 .3632383
rg9 | -.1181494 .1701271 -0.69 0.487 -.4515924 .2152936
rg10 | .1466541 .158387 0.93 0.354 -.1637787 .4570869
rg11 | .5370619 .3768712 1.43 0.154 -.2015922 1.275716
_cons | -2.583278 .2652724 -9.74 0.000 -3.103203 -2.063354
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(55567 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 6.43225758 6.3974373 .034820284 .061670852 0.56
ATT | 6.43225758 6.58061277 -.148355196 .06432253 -2.31
ATU | 6.3974373 6.4247082 .027270902
ATE | .025302924
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 10,942 | 10,942
Treated | 124 | 124
111
-----------+-----------+----------
Total | 11,066 | 11,066
Quintil 2
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==2 &
borde_om_esc==0, outcome(lytrabajhr) neighbor(1) ate
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 42 obs not used
note: sector_min != 0 predicts failure perfectly
sector_min dropped and 314 obs not used
Probit regression Number of obs = 11813
LR chi2(30) = 208.05
Prob > chi2 = 0.0000
Log likelihood = -566.10071 Pseudo R2 = 0.1552
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.014206 .01433 -0.99 0.322 -.0422922 .0138803
experiencia | .0038394 .0081426 0.47 0.637 -.0121199 .0197987
experiencia2 | .0000177 .0001291 0.14 0.891 -.0002353 .0002707
rural | -.2019417 .0976195 -2.07 0.039 -.3932724 -.0106111
contrato_si | .4041185 .1198945 3.37 0.001 .1691296 .6391074
indefinido | -.3376235 .0915387 -3.69 0.000 -.5170361 -.1582109
pers2a5 | -.0890057 .1582587 -0.56 0.574 -.399187 .2211757
pers6a9 | -.2147467 .2517729 -0.85 0.394 -.7082125 .2787191
pers10a49 | .2293329 .1241278 1.85 0.065 -.0139532 .472619
pers50a199 | .1767449 .1363792 1.30 0.195 -.0905534 .4440432
pers200omas | .220081 .1291396 1.70 0.088 -.0330279 .4731898
sector_ind | .3526456 .1583466 2.23 0.026 .042292 .6629991
sector_energ | .4582379 .3971557 1.15 0.249 -.3201729 1.236649
sector_const | .4435284 .1384392 3.20 0.001 .1721925 .7148642
sector_com | .4883884 .1746678 2.80 0.005 .1460458 .830731
sector_trans | .4038034 .1908133 2.12 0.034 .0298162 .7777905
sector_fin | .4188836 .2437923 1.72 0.086 -.0589406 .8967078
sector_ser~m | 1.150047 .1266974 9.08 0.000 .9017248 1.398369
rg1 | .115392 .2450762 0.47 0.638 -.3649485 .5957324
rg2 | .3779494 .2141872 1.76 0.078 -.0418498 .7977487
rg3 | -.1099661 .2902031 -0.38 0.705 -.6787538 .4588216
rg4 | .0741585 .1893629 0.39 0.695 -.2969859 .4453029
rg5 | -.0716236 .1420851 -0.50 0.614 -.3501054 .2068581
rg6 | -.1428962 .154059 -0.93 0.354 -.4448463 .1590539
rg7 | -.2278621 .1767428 -1.29 0.197 -.5742716 .1185475
rg8 | -.0524669 .1259051 -0.42 0.677 -.2992362 .1943025
rg9 | -.110409 .1687552 -0.65 0.513 -.4411631 .220345
rg10 | -.0442823 .1454964 -0.30 0.761 -.3294501 .2408854
rg11 | .4675475 .2820594 1.66 0.097 -.0852788 1.020374
rg12 | -.1135001 .4314905 -0.26 0.793 -.9592059 .7322057
_cons | -2.960585 .2540531 -11.65 0.000 -3.45852 -2.46265
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(54820 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 6.74550146 6.73608966 .009411798 .052505741 0.18
ATT | 6.74550146 6.75989712 -.014395662 .061974428 -0.23
ATU | 6.73608966 6.74060381 .004514142
ATE | .00432205
112
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 11,693 | 11,693
Treated | 120 | 120
-----------+-----------+----------
Total | 11,813 | 11,813
Quintil 3
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==3 &
borde_om_esc==0, outcome(lytrabajhr) neighbor(1) ate
note: pers6a9 != 0 predicts failure perfectly
pers6a9 dropped and 658 obs not used
note: sector_min != 0 predicts failure perfectly
sector_min dropped and 344 obs not used
note: rg11 != 0 predicts failure perfectly
rg11 dropped and 89 obs not used
note: rg12 != 0 predicts failure perfectly
rg12 dropped and 133 obs not used
Probit regression Number of obs = 9238
LR chi2(28) = 137.28
Prob > chi2 = 0.0000
Log likelihood = -362.26029 Pseudo R2 = 0.1593
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.008192 .0173526 -0.47 0.637 -.0422024 .0258184
experiencia | .0032578 .010222 0.32 0.750 -.0167769 .0232924
experiencia2 | 7.18e-06 .0001771 0.04 0.968 -.0003399 .0003543
rural | -.0727877 .1229001 -0.59 0.554 -.3136674 .168092
contrato_si | .281265 .1514766 1.86 0.063 -.0156238 .5781538
indefinido | -.4173006 .1125307 -3.71 0.000 -.6378567 -.1967444
pers2a5 | -.3071326 .2210914 -1.39 0.165 -.7404637 .1261986
pers10a49 | .2128388 .1539383 1.38 0.167 -.0888747 .5145523
pers50a199 | .2303176 .1622037 1.42 0.156 -.0875958 .5482309
pers200omas | .0448469 .1594009 0.28 0.778 -.2675731 .3572668
sector_noesp | 1.164124 .4609427 2.53 0.012 .2606926 2.067555
sector_ind | .9640231 .2203885 4.37 0.000 .5320696 1.395977
sector_energ | 1.003599 .4293003 2.34 0.019 .1621857 1.845012
sector_const | .7283906 .2237761 3.25 0.001 .2897975 1.166984
sector_com | .7045825 .2627542 2.68 0.007 .1895937 1.219571
sector_trans | .2903502 .3653432 0.79 0.427 -.4257093 1.00641
sector_fin | 1.039113 .2761088 3.76 0.000 .4979495 1.580276
sector_ser~m | 1.439528 .2096113 6.87 0.000 1.028697 1.850358
rg1 | .2697543 .258973 1.04 0.298 -.2378235 .7773321
rg2 | -.3801696 .4016815 -0.95 0.344 -1.167451 .4071118
rg3 | -.0212587 .3286069 -0.06 0.948 -.6653163 .622799
rg4 | -.317654 .4089524 -0.78 0.437 -1.119186 .4838781
rg5 | -.3381603 .2080464 -1.63 0.104 -.7459237 .0696032
rg6 | .2729108 .1601914 1.70 0.088 -.0410585 .5868801
rg7 | .1042791 .2003709 0.52 0.603 -.2884407 .4969988
rg8 | .2557825 .1473218 1.74 0.083 -.032963 .544528
rg9 | .1209299 .2009889 0.60 0.547 -.273001 .5148609
113
rg10 | .1334852 .1790406 0.75 0.456 -.217428 .4843984
_cons | -3.394734 .3375633 -10.06 0.000 -4.056346 -2.733122
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(57395 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 6.93296277 6.95490195 -.021939185 .070035919 -0.31
ATT | 6.93296277 6.94887016 -.015907397 .076209129 -0.21
ATU | 6.95490195 7.0813827 .12648075
ATE | .125340165
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 9,164 | 9,164
Treated | 74 | 74
-----------+-----------+----------
Total | 9,238 | 9,238
Quintil 4
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==4 &
borde_om_esc==0, outcome(lytrabajhr) neighbor(1) ate
Probit regression Number of obs = 8825
LR chi2(32) = 69.53
Prob > chi2 = 0.0001
Log likelihood = -349.20609 Pseudo R2 = 0.0905
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | .0151034 .0168706 0.90 0.371 -.0179623 .0481692
experiencia | .002534 .0099095 0.26 0.798 -.0168883 .0219564
experiencia2 | .0000445 .0001756 0.25 0.800 -.0002996 .0003886
rural | -.1650235 .1367529 -1.21 0.228 -.4330543 .1030073
contrato_si | .2620966 .1641902 1.60 0.110 -.0597104 .5839035
indefinido | -.0030441 .1231766 -0.02 0.980 -.2444658 .2383775
pers2a5 | -.3136558 .2275794 -1.38 0.168 -.7597033 .1323916
pers6a9 | .195871 .2244689 0.87 0.383 -.24408 .635822
pers10a49 | .107158 .1588412 0.67 0.500 -.204165 .4184809
pers50a199 | .0011248 .1758438 0.01 0.995 -.3435227 .3457722
pers200omas | -.0344644 .1558537 -0.22 0.825 -.339932 .2710033
sector_noesp | .4071859 .4365868 0.93 0.351 -.4485086 1.26288
sector_min | -.2888034 .2902313 -1.00 0.320 -.8576463 .2800394
sector_ind | -.0112418 .1901257 -0.06 0.953 -.3838813 .3613976
sector_energ | .5006705 .3254127 1.54 0.124 -.1371268 1.138468
sector_const | -.1471278 .2218842 -0.66 0.507 -.5820129 .2877573
sector_com | .0222898 .2082138 0.11 0.915 -.3858018 .4303813
sector_trans | -.1113272 .2404094 -0.46 0.643 -.5825209 .3598666
sector_fin | .013277 .2555793 0.05 0.959 -.4876493 .5142033
sector_ser~m | .3894555 .1598572 2.44 0.015 .0761411 .7027699
rg1 | -.0778484 .3760419 -0.21 0.836 -.8148769 .6591801
rg2 | .4629899 .2087466 2.22 0.027 .053854 .8721258
rg3 | .5438441 .2040849 2.66 0.008 .1438451 .9438432
rg4 | -.1039686 .3730356 -0.28 0.780 -.835105 .6271678
rg5 | .0304415 .1842224 0.17 0.869 -.3306277 .3915106
114
rg6 | .4060478 .1762643 2.30 0.021 .0605762 .7515194
rg7 | -.0320922 .2698378 -0.12 0.905 -.5609646 .4967803
rg8 | .1706897 .1786569 0.96 0.339 -.1794714 .5208508
rg9 | .218182 .2254351 0.97 0.333 -.2236626 .6600266
rg10 | .1050996 .1986521 0.53 0.597 -.2842515 .4944506
rg11 | .9298746 .2214714 4.20 0.000 .4957987 1.363951
rg12 | -.0504293 .362173 -0.14 0.889 -.7602754 .6594168
_cons | -3.124081 .3046664 -10.25 0.000 -3.721216 -2.526946
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(57808 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 7.25147733 7.29802176 -.046544426 .083754463 -0.56
ATT | 7.25147733 7.44662818 -.195150852 .110785267 -1.76
ATU | 7.29802176 7.22808393 -.06993783
ATE | -.070860079
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 8,760 | 8,760
Treated | 65 | 65
-----------+-----------+----------
Total | 8,825 | 8,825
Quintil 5
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==5 &
borde_om_esc==0, outcome(lytrabajhr) neighbor(1) ate
note: pers6a9 != 0 predicts failure perfectly
pers6a9 dropped and 239 obs not used
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 68 obs not used
note: sector_energ != 0 predicts failure perfectly
sector_energ dropped and 63 obs not used
note: sector_const != 0 predicts failure perfectly
sector_const dropped and 509 obs not used
note: sector_fin != 0 predicts failure perfectly
sector_fin dropped and 553 obs not used
note: rg5 != 0 predicts failure perfectly
rg5 dropped and 426 obs not used
note: rg8 != 0 predicts failure perfectly
rg8 dropped and 426 obs not used
note: rg11 != 0 predicts failure perfectly
rg11 dropped and 139 obs not used
Probit regression Number of obs = 3818
LR chi2(24) = 37.35
Prob > chi2 = 0.0403
115
Log likelihood = -106.306 Pseudo R2 = 0.1494
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.0702823 .0278523 -2.52 0.012 -.1248717 -.0156929
experiencia | -.0273811 .016921 -1.62 0.106 -.0605456 .0057834
experiencia2 | .00041 .0002768 1.48 0.139 -.0001325 .0009524
rural | .0980856 .2171338 0.45 0.651 -.3274888 .5236601
contrato_si | .3399465 .2927514 1.16 0.246 -.2338357 .9137287
indefinido | -.3184588 .2199168 -1.45 0.148 -.7494877 .1125702
pers2a5 | -.5035672 .3888586 -1.29 0.195 -1.265716 .2585816
pers10a49 | .1136293 .2834292 0.40 0.688 -.4418818 .6691404
pers50a199 | .1670828 .3095108 0.54 0.589 -.4395473 .7737128
pers200omas | -.1704661 .2915444 -0.58 0.559 -.7418825 .4009504
sector_min | .6066949 .5474166 1.11 0.268 -.466222 1.679612
sector_ind | .794287 .4660968 1.70 0.088 -.119246 1.70782
sector_com | .8188915 .4583102 1.79 0.074 -.0793799 1.717163
sector_trans | .660935 .5186516 1.27 0.203 -.3556034 1.677473
sector_ser~m | 1.356182 .4211573 3.22 0.001 .5307293 2.181636
rg1 | .2789808 .3775189 0.74 0.460 -.4609426 1.018904
rg2 | -.0968216 .4414619 -0.22 0.826 -.9620711 .7684278
rg3 | .3846103 .3671177 1.05 0.295 -.3349272 1.104148
rg4 | .1571157 .4213244 0.37 0.709 -.668665 .9828964
rg6 | .3605516 .2902129 1.24 0.214 -.2082552 .9293583
rg7 | .0799923 .4062426 0.20 0.844 -.7162284 .8762131
rg9 | .0204178 .4123552 0.05 0.961 -.7877836 .8286192
rg10 | .185552 .2903908 0.64 0.523 -.3836034 .7547075
rg12 | .135381 .4241649 0.32 0.750 -.6959669 .9667289
_cons | -2.51009 .5764575 -4.35 0.000 -3.639926 -1.380254
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(62815 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 7.68439481 8.06878861 -.384393801 .203309871 -1.89
ATT | 7.68439481 7.79318509 -.108790278 .224949917 -0.48
ATU | 8.06878861 7.75953107 -.309257541
ATE | -.308207424
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 3,798 | 3,798
Treated | 20 | 20
-----------+-----------+----------
Total | 3,818 | 3,818
Quintiles 1 y 2
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=1 & qaut_2<3 &
borde_om_esc==0, outcome(lytrabajhr) neighbor(1)
> ate
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 75 obs not used
Probit regression Number of obs = 23238
116
LR chi2(31) = 469.25
Prob > chi2 = 0.0000
Log likelihood = -1119.8428 Pseudo R2 = 0.1732
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | -.0242613 .0101735 -2.38 0.017 -.044201 -.0043216
experiencia | -.0064528 .0059449 -1.09 0.278 -.0181046 .005199
experiencia2 | .0001316 .0000937 1.40 0.160 -.0000521 .0003153
rural | -.0839391 .0649463 -1.29 0.196 -.2112316 .0433533
contrato_si | .4120429 .078115 5.27 0.000 .2589402 .5651455
indefinido | -.4060335 .0652214 -6.23 0.000 -.5338652 -.2782019
pers2a5 | -.0814011 .1045956 -0.78 0.436 -.2864047 .1236025
pers6a9 | -.0701924 .1501497 -0.47 0.640 -.3644804 .2240956
pers10a49 | .1779539 .0869504 2.05 0.041 .0075342 .3483737
pers50a199 | .1976654 .0942941 2.10 0.036 .0128524 .3824785
pers200omas | .198601 .092334 2.15 0.031 .0176297 .3795722
sector_min | -.1488979 .3290178 -0.45 0.651 -.7937608 .4959651
sector_ind | .4020977 .1124358 3.58 0.000 .1817275 .6224679
sector_energ | .5134104 .2838818 1.81 0.071 -.0429877 1.069808
sector_const | .5201757 .0942348 5.52 0.000 .3354789 .7048725
sector_com | .5019954 .1299863 3.86 0.000 .2472269 .756764
sector_trans | .3821697 .1483722 2.58 0.010 .0913656 .6729739
sector_fin | .607883 .1770715 3.43 0.001 .2608291 .9549368
sector_ser~m | 1.280237 .0865859 14.79 0.000 1.110532 1.449943
rg1 | -.0203527 .1916037 -0.11 0.915 -.395889 .3551837
rg2 | .2636483 .1780885 1.48 0.139 -.0853988 .6126953
rg3 | -.1875526 .2424618 -0.77 0.439 -.662769 .2876639
rg4 | .0708935 .1383736 0.51 0.608 -.2003137 .3421008
rg5 | -.0517162 .108091 -0.48 0.632 -.2635708 .1601383
rg6 | -.1962057 .1223988 -1.60 0.109 -.4361029 .0436916
rg7 | -.080856 .116032 -0.70 0.486 -.3082745 .1465626
rg8 | .0270721 .0903649 0.30 0.764 -.1500398 .2041841
rg9 | -.1067692 .1165197 -0.92 0.360 -.3351437 .1216054
rg10 | .0450841 .1045999 0.43 0.666 -.159928 .2500961
rg11 | .487669 .2237174 2.18 0.029 .049191 .9261469
rg12 | -.3120178 .4152036 -0.75 0.452 -1.125802 .5017663
_cons | -2.766192 .1800668 -15.36 0.000 -3.119116 -2.413268
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(43395 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 6.58631195 6.57780288 .008509067 .041843379 0.20
ATT | 6.58631195 6.68851067 -.102198727 .048476486 -2.11
ATU | 6.57780288 6.59941598 .021613094
ATE | .020313064
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 22,994 | 22,994
Treated | 244 | 244
-----------+-----------+----------
Total | 23,238 | 23,238
Quintiles 3 y 4
. psmatch2 omil esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9
pers10a49 pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
117
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=3 & qaut_2<5 &
borde_om_esc==0, outcome(lytrabajhr) neighbor(1)
> ate
Probit regression Number of obs = 19287
LR chi2(32) = 170.95
Prob > chi2 = 0.0000
Log likelihood = -738.66991 Pseudo R2 = 0.1037
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esc | .0014001 .0116037 0.12 0.904 -.0213427 .0241429
experiencia | .0026766 .0068942 0.39 0.698 -.0108358 .016189
experiencia2 | .0000249 .0001204 0.21 0.836 -.0002112 .0002609
rural | -.1055139 .088837 -1.19 0.235 -.2796313 .0686035
contrato_si | .269458 .1077229 2.50 0.012 .0583251 .480591
indefinido | -.2133259 .0793876 -2.69 0.007 -.3689227 -.0577291
pers2a5 | -.2912199 .1547926 -1.88 0.060 -.5946078 .012168
pers6a9 | -.101212 .1919288 -0.53 0.598 -.4773855 .2749616
pers10a49 | .1634958 .1076188 1.52 0.129 -.0474332 .3744247
pers50a199 | .1338376 .1156432 1.16 0.247 -.092819 .3604942
pers200omas | .0201415 .1087153 0.19 0.853 -.1929367 .2332196
sector_noesp | .7601077 .3113793 2.44 0.015 .1498154 1.3704
sector_min | -.0388873 .2596627 -0.15 0.881 -.5478169 .4700423
sector_ind | .4519917 .1316357 3.43 0.001 .1939904 .709993
sector_energ | .7380361 .2516181 2.93 0.003 .2448737 1.231199
sector_const | .2824849 .1398581 2.02 0.043 .008368 .5566018
sector_com | .3104206 .1567929 1.98 0.048 .0031123 .617729
sector_trans | .0783902 .1937769 0.40 0.686 -.3014055 .4581859
sector_fin | .482485 .1767959 2.73 0.006 .1359714 .8289986
sector_ser~m | .8683856 .1190108 7.30 0.000 .6351287 1.101643
rg1 | .1526724 .2018391 0.76 0.449 -.2429249 .5482697
rg2 | .1897749 .1725501 1.10 0.271 -.1484172 .527967
rg3 | .3608655 .1638149 2.20 0.028 .0397942 .6819368
rg4 | -.2164527 .2674818 -0.81 0.418 -.7407074 .307802
rg5 | -.1271066 .1337622 -0.95 0.342 -.3892757 .1350625
rg6 | .3220621 .1162043 2.77 0.006 .0943059 .5498183
rg7 | .0441564 .155681 0.28 0.777 -.2609727 .3492856
rg8 | .2359271 .1105477 2.13 0.033 .0192576 .4525967
rg9 | .180906 .1466186 1.23 0.217 -.1064612 .4682732
rg10 | .1412197 .129889 1.09 0.277 -.1133581 .3957976
rg11 | .6390985 .1945557 3.28 0.001 .2577763 1.020421
rg12 | -.2473722 .3261136 -0.76 0.448 -.8865431 .3917988
_cons | -3.171755 .2145705 -14.78 0.000 -3.592305 -2.751205
------------------------------------------------------------------------------
There are observations with identical propensity score values.
The sort order of the data could affect your results.
Make sure that the sort order is random before calling psmatch2.
(47346 missing values generated)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lytrabajhr Unmatched | 7.08190842 7.11435644 -.032448012 .055880764 -0.58
ATT | 7.08190842 7.32101181 -.239103389 .06958506 -3.44
ATU | 7.11435644 7.00427497 -.110081463
ATE | -.111011315
----------------------------+-----------------------------------------------------------
Note: S.E. for ATT does not take into account that the propensity score is estimated.
| psmatch2:
psmatch2: | Common
Treatment | support
assignment | On suppor | Total
-----------+-----------+----------
Untreated | 19,148 | 19,148
Treated | 139 | 139
-----------+-----------+----------
Total | 19,287 | 19,287
118
Heckit
Quintil 1
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2==1 & borde_om_es
> c==0
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 42 obs not used
note: rg12 != 0 predicts failure perfectly
rg12 dropped and 52 obs not used
Iteration 0: log likelihood = -706.10168
Iteration 1: log likelihood = -582.56846
Iteration 2: log likelihood = -553.6081
Iteration 3: log likelihood = -552.10179
Iteration 4: log likelihood = -552.08743
Iteration 5: log likelihood = -552.08743
Probit regression Number of obs = 11777
LR chi2(37) = 308.03
Prob > chi2 = 0.0000
Log likelihood = -552.08743 Pseudo R2 = 0.2181
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | .0173058 .1098123 0.16 0.875 -.1979223 .2325339
gto_mun | .0010745 .0004909 2.19 0.029 .0001124 .0020367
luz | -.316234 .5948646 -0.53 0.595 -1.482147 .8496792
agua | .0474772 .3261781 0.15 0.884 -.5918201 .6867745
alcan | -.3159594 .2487109 -1.27 0.204 -.8034238 .171505
lyauth_t_c | -.2953487 .1806943 -1.63 0.102 -.6495031 .0588057
tiene_omil | .0423559 .1062146 0.40 0.690 -.1658209 .2505328
esc | -.0282323 .0149556 -1.89 0.059 -.0575448 .0010802
experiencia | -.0213991 .0096784 -2.21 0.027 -.0403684 -.0024297
experiencia2 | .0003191 .0001439 2.22 0.027 .000037 .0006011
rural | -.0918937 .0951016 -0.97 0.334 -.2782894 .094502
contrato_si | .456816 .1047299 4.36 0.000 .2515491 .6620829
indefinido | -.4530134 .0977041 -4.64 0.000 -.6445099 -.2615168
sector_min | .2685044 .3849689 0.70 0.486 -.4860209 1.02303
sector_ind | .4962403 .1578835 3.14 0.002 .1867944 .8056863
sector_energ | .4580194 .4146535 1.10 0.269 -.3546864 1.270725
sector_const | .6141405 .1281844 4.79 0.000 .3629037 .8653772
sector_com | .5263919 .1991886 2.64 0.008 .1359894 .9167945
sector_trans | .2508096 .2664703 0.94 0.347 -.2714626 .7730818
sector_fin | .8495873 .2620489 3.24 0.001 .3359809 1.363194
sector_ser~m | 1.377335 .1196321 11.51 0.000 1.142861 1.61181
pers2a5 | -.1179886 .1417437 -0.83 0.405 -.3958012 .1598239
pers6a9 | .0125415 .1925497 0.07 0.948 -.3648489 .389932
pers10a49 | .1039245 .1237397 0.84 0.401 -.1386009 .3464498
pers50a199 | .2115526 .1319948 1.60 0.109 -.0471525 .4702577
pers200omas | .1913017 .1335652 1.43 0.152 -.0704813 .4530847
rg1 | -.8788424 .4728326 -1.86 0.063 -1.805577 .0478924
rg2 | -.265618 .4325511 -0.61 0.539 -1.113403 .5821667
rg3 | -.451761 .4508774 -1.00 0.316 -1.335464 .4319424
rg4 | -.1853061 .2270011 -0.82 0.414 -.6302201 .2596079
rg5 | -.1832707 .1720682 -1.07 0.287 -.5205181 .1539767
rg6 | -.4970193 .2184207 -2.28 0.023 -.9251161 -.0689225
rg7 | -.2090467 .1792613 -1.17 0.244 -.5603924 .142299
119
rg8 | -.153321 .1671635 -0.92 0.359 -.4809555 .1743135
rg9 | -.3592672 .1952819 -1.84 0.066 -.7420126 .0234783
rg10 | -.079944 .1756475 -0.46 0.649 -.4242068 .2643187
rg11 | .3440937 .370726 0.93 0.353 -.3825158 1.070703
_cons | 1.692947 2.352683 0.72 0.472 -2.918226 6.304121
------------------------------------------------------------------------------
. predict proylin_81, xb
(1648 missing values generated)
. gen lambda_omil_81= (normalden(proylin_81)/normal(proylin_81))
(1648 missing values generated)
. reg lytrabajhr lambda_omil_81 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==1 &
borde_om_esc==0, robust
Linear regression Number of obs = 11066
F( 41, 11024) = 30.23
Prob > F = 0.0000
R-squared = 0.1098
Root MSE = .64546
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~81 | .0726502 .0429696 1.69 0.091 -.011578 .1568783
familiar | .0256911 .0192732 1.33 0.183 -.0120878 .0634701
amigo | .0233361 .0170084 1.37 0.170 -.0100035 .0566757
compa | .0556429 .0302604 1.84 0.066 -.0036729 .1149588
empl | .011645 .026306 0.44 0.658 -.0399194 .0632095
omil | -.0396681 .0509003 -0.78 0.436 -.1394418 .0601056
puente | -.1005069 .1674147 -0.60 0.548 -.4286697 .2276559
priv | -.2433885 .1607161 -1.51 0.130 -.558421 .0716439
estud | .0633619 .0987569 0.64 0.521 -.1302194 .2569431
internet | .1064214 .3942886 0.27 0.787 -.6664549 .8792977
muni | .0535963 .0485342 1.10 0.269 -.0415395 .1487321
esc | .0123777 .0027832 4.45 0.000 .0069222 .0178333
experiencia | .017477 .0019088 9.16 0.000 .0137354 .0212186
experiencia2 | -.0002817 .0000318 -8.87 0.000 -.000344 -.0002194
rural | -.054523 .0142365 -3.83 0.000 -.082429 -.026617
contrato_si | .2347335 .023652 9.92 0.000 .1883714 .2810956
indefinido | .0960197 .0225973 4.25 0.000 .051725 .1403145
pers2a5 | -.1326811 .0224612 -5.91 0.000 -.176709 -.0886532
pers6a9 | -.1034379 .02424 -4.27 0.000 -.1509526 -.0559232
pers10a49 | -.0463175 .0196255 -2.36 0.018 -.084787 -.0078481
pers50a199 | -.0470766 .0231742 -2.03 0.042 -.0925022 -.0016509
pers200omas | -.0061548 .0226783 -0.27 0.786 -.0506084 .0382987
sector_noesp | (dropped)
sector_min | .0891453 .0486879 1.83 0.067 -.0062916 .1845822
sector_ind | .122495 .0280314 4.37 0.000 .0675484 .1774415
sector_energ | .2502733 .0705842 3.55 0.000 .1119156 .388631
sector_const | .1567319 .0302064 5.19 0.000 .097522 .2159419
sector_com | .0803888 .0326329 2.46 0.014 .0164225 .1443552
sector_trans | .0378613 .0280323 1.35 0.177 -.0170871 .0928097
sector_fin | .1451331 .0436273 3.33 0.001 .0596157 .2306505
sector_ser~m | .212235 .0579284 3.66 0.000 .098685 .325785
rg1 | -.0142616 .0558626 -0.26 0.798 -.1237624 .0952392
rg2 | -.0864852 .0923481 -0.94 0.349 -.2675041 .0945338
rg3 | .0462585 .0454778 1.02 0.309 -.0428862 .1354031
rg4 | -.0061409 .0304981 -0.20 0.840 -.0659227 .0536408
rg5 | -.0069561 .0240098 -0.29 0.772 -.0540196 .0401074
rg6 | -.026627 .0276935 -0.96 0.336 -.0809112 .0276571
rg7 | -.0546035 .0261908 -2.08 0.037 -.1059421 -.0032649
120
rg8 | -.1310813 .0227232 -5.77 0.000 -.1756228 -.0865397
rg9 | -.0655074 .0264302 -2.48 0.013 -.1173153 -.0136995
rg10 | .0557692 .0253905 2.20 0.028 .0059993 .1055392
rg11 | .0602995 .0975281 0.62 0.536 -.1308731 .2514721
rg12 | (dropped)
_cons | 5.755905 .1313005 43.84 0.000 5.498533 6.013277
Quintil 2
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2==2 & borde_om_es
> c==0
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 42 obs not used
note: sector_min != 0 predicts failure perfectly
sector_min dropped and 324 obs not used
Iteration 0: log likelihood = -691.06758
Iteration 1: log likelihood = -606.58906
Iteration 2: log likelihood = -584.38384
Iteration 3: log likelihood = -583.41319
Iteration 4: log likelihood = -583.40608
Iteration 5: log likelihood = -583.40608
Probit regression Number of obs = 12071
LR chi2(37) = 215.32
Prob > chi2 = 0.0000
Log likelihood = -583.40608 Pseudo R2 = 0.1558
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | .0546628 .0969141 0.56 0.573 -.1352853 .244611
gto_mun | .0006892 .0004031 1.71 0.087 -.0001009 .0014793
luz | -.4564378 .5515506 -0.83 0.408 -1.537457 .6245816
agua | .394989 .3824955 1.03 0.302 -.3546883 1.144666
alcan | -.0399745 .2464222 -0.16 0.871 -.5229532 .4430042
lyauth_t_c | -.0495665 .1404355 -0.35 0.724 -.3248151 .225682
tiene_omil | .0943843 .1112947 0.85 0.396 -.1237494 .312518
esc | -.0111939 .0142834 -0.78 0.433 -.0391889 .016801
experiencia | .0022451 .0087268 0.26 0.797 -.0148592 .0193493
experiencia2 | .0000381 .0001326 0.29 0.774 -.0002217 .0002979
rural | -.2169352 .1033989 -2.10 0.036 -.4195933 -.0142771
contrato_si | .4160983 .1178653 3.53 0.000 .1850866 .64711
indefinido | -.3502266 .0907649 -3.86 0.000 -.5281226 -.1723306
sector_ind | .3043748 .1570315 1.94 0.053 -.0034012 .6121508
sector_energ | .4156558 .3959294 1.05 0.294 -.3603517 1.191663
sector_const | .3845713 .1378492 2.79 0.005 .1143919 .6547508
sector_com | .5228199 .1655975 3.16 0.002 .1982548 .8473849
sector_trans | .3575881 .1894749 1.89 0.059 -.0137758 .728952
sector_fin | .3678872 .2432318 1.51 0.130 -.1088383 .8446128
sector_ser~m | 1.095121 .124591 8.79 0.000 .8509274 1.339315
pers2a5 | -.1360648 .1559741 -0.87 0.383 -.4417685 .1696389
pers6a9 | -.2692333 .2508377 -1.07 0.283 -.7608662 .2223996
pers10a49 | .1847073 .1212462 1.52 0.128 -.0529309 .4223455
pers50a199 | .1278824 .1339911 0.95 0.340 -.1347352 .3905
pers200omas | .2042125 .1246605 1.64 0.101 -.0401176 .4485426
rg1 | -.1090257 .2916612 -0.37 0.709 -.6806711 .4626196
rg2 | .2475839 .2257505 1.10 0.273 -.1948789 .6900467
rg3 | -.1150149 .289954 -0.40 0.692 -.6833142 .4532845
rg4 | .0167861 .2004458 0.08 0.933 -.3760805 .4096527
rg5 | -.048035 .1471548 -0.33 0.744 -.3364532 .2403831
rg6 | -.0986685 .1704527 -0.58 0.563 -.4327496 .2354126
121
rg7 | -.1152193 .182297 -0.63 0.527 -.4725148 .2420762
rg8 | -.0108119 .147713 -0.07 0.942 -.300324 .2787002
rg9 | .0183763 .1907852 0.10 0.923 -.3555558 .3923084
rg10 | .0408914 .1678086 0.24 0.807 -.2880075 .3697903
rg11 | .4318094 .2832444 1.52 0.127 -.1233393 .9869582
rg12 | -.1975853 .4484042 -0.44 0.659 -1.076441 .6812707
_cons | -2.323964 1.853504 -1.25 0.210 -5.956764 1.308837
------------------------------------------------------------------------------
. predict proylin_82, xb
(2728 missing values generated)
. gen lambda_omil_82= (normalden(proylin_82)/normal(proylin_82))
(2728 missing values generated)
. reg lytrabajhr lambda_omil_82 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==2 &
borde_om_esc==0, robust
Linear regression Number of obs = 11813
F( 41, 11771) = 33.44
Prob > F = 0.0000
R-squared = 0.1044
Root MSE = .54248
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~82 | -.5181569 .1174046 -4.41 0.000 -.7482894 -.2880244
familiar | .0349923 .015591 2.24 0.025 .0044313 .0655534
amigo | -.0043447 .0136278 -0.32 0.750 -.0310575 .0223681
compa | .0443545 .0273203 1.62 0.105 -.0091978 .0979068
empl | .0151601 .0204709 0.74 0.459 -.0249663 .0552866
omil | -.0608563 .0410438 -1.48 0.138 -.1413089 .0195962
puente | -.1738248 .2266785 -0.77 0.443 -.6181523 .2705027
priv | .0028628 .0496216 0.06 0.954 -.0944038 .1001295
estud | .1044823 .0404618 2.58 0.010 .0251705 .183794
internet | .1610221 .1624857 0.99 0.322 -.1574767 .4795209
muni | -.070715 .0592706 -1.19 0.233 -.1868951 .0454651
esc | .0316412 .0023657 13.37 0.000 .027004 .0362784
experiencia | .0207553 .0012935 16.05 0.000 .0182198 .0232908
experiencia2 | -.0003373 .0000212 -15.90 0.000 -.0003789 -.0002957
rural | .1172569 .0275156 4.26 0.000 .0633218 .171192
contrato_si | -.1449229 .0473735 -3.06 0.002 -.2377828 -.0520629
indefinido | .2547848 .0387092 6.58 0.000 .1789082 .3306613
pers2a5 | -.0845225 .0238753 -3.54 0.000 -.1313221 -.037723
pers6a9 | -.0204827 .0354375 -0.58 0.563 -.0899461 .0489806
pers10a49 | -.203282 .0259881 -7.82 0.000 -.2542229 -.152341
pers50a199 | -.1368044 .0227213 -6.02 0.000 -.1813419 -.0922668
pers200omas | -.1190629 .0286869 -4.15 0.000 -.175294 -.0628319
sector_noesp | (dropped)
sector_min | (dropped)
sector_ind | -.0828046 .0384031 -2.16 0.031 -.1580811 -.0075282
sector_energ | -.0816886 .0613474 -1.33 0.183 -.2019396 .0385624
sector_const | -.0840759 .0446889 -1.88 0.060 -.1716735 .0035217
sector_com | -.2172047 .0615841 -3.53 0.000 -.3379198 -.0964896
sector_trans | -.1235714 .0465048 -2.66 0.008 -.2147286 -.0324142
sector_fin | -.0901133 .0489908 -1.84 0.066 -.1861434 .0059168
sector_ser~m | -.4321363 .1196766 -3.61 0.000 -.6667223 -.1975503
rg1 | .1040604 .0470634 2.21 0.027 .0118082 .1963125
rg2 | -.1086466 .0597729 -1.82 0.069 -.2258114 .0085182
rg3 | .1986214 .0361609 5.49 0.000 .1277401 .2695027
rg4 | -.086904 .0311679 -2.79 0.005 -.1479981 -.0258098
rg5 | .0163061 .0196954 0.83 0.408 -.0223001 .0549124
122
rg6 | .0244437 .0229689 1.06 0.287 -.0205791 .0694664
rg7 | .0867228 .0253271 3.42 0.001 .0370774 .1363681
rg8 | .0093565 .0190036 0.49 0.622 -.0278937 .0466066
rg9 | .0589966 .0238812 2.47 0.014 .0121855 .1058077
rg10 | .118404 .0202035 5.86 0.000 .0788018 .1580062
rg11 | -.0307268 .0786016 -0.39 0.696 -.1847988 .1233453
rg12 | -.0344935 .074875 -0.46 0.645 -.1812608 .1122739
_cons | 7.841584 .3866906 20.28 0.000 7.083606 8.599562
Quintil 3
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2==3 & borde_om_es
> c==0
note: sector_min != 0 predicts failure perfectly
sector_min dropped and 359 obs not used
note: pers6a9 != 0 predicts failure perfectly
pers6a9 dropped and 653 obs not used
note: rg11 != 0 predicts failure perfectly
rg11 dropped and 95 obs not used
note: rg12 != 0 predicts failure perfectly
rg12 dropped and 134 obs not used
Iteration 0: log likelihood = -437.00724
Iteration 1: log likelihood = -378.37791
Iteration 2: log likelihood = -364.274
Iteration 3: log likelihood = -362.95092
Iteration 4: log likelihood = -362.90909
Iteration 5: log likelihood = -362.90901
Iteration 6: log likelihood = -362.90901
Probit regression Number of obs = 9398
LR chi2(35) = 148.20
Prob > chi2 = 0.0000
Log likelihood = -362.90901 Pseudo R2 = 0.1696
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | -.0517548 .1128532 -0.46 0.647 -.272943 .1694334
gto_mun | .0000422 .0006836 0.06 0.951 -.0012977 .0013821
luz | .0011616 .8501637 0.00 0.999 -1.665129 1.667452
agua | -.382797 .4568058 -0.84 0.402 -1.27812 .512526
alcan | -.1836814 .313367 -0.59 0.558 -.7978694 .4305067
lyauth_t_c | -.2217656 .1995366 -1.11 0.266 -.6128501 .169319
tiene_omil | .163364 .1362604 1.20 0.231 -.1037014 .4304295
esc | -.0094598 .0177701 -0.53 0.594 -.0442885 .0253689
experiencia | .0055317 .0109353 0.51 0.613 -.015901 .0269644
experiencia2 | -.0000262 .0001808 -0.14 0.885 -.0003806 .0003282
rural | -.1568081 .1319768 -1.19 0.235 -.4154779 .1018616
contrato_si | .3169612 .151322 2.09 0.036 .0203756 .6135469
indefinido | -.4157388 .1135328 -3.66 0.000 -.638259 -.1932187
sector_noesp | 1.194198 .461749 2.59 0.010 .2891871 2.09921
sector_ind | .9806915 .22084 4.44 0.000 .5478532 1.41353
sector_energ | 1.011682 .4355361 2.32 0.020 .158047 1.865317
sector_const | .7486552 .2248647 3.33 0.001 .3079285 1.189382
sector_com | .7297865 .2623062 2.78 0.005 .2156757 1.243897
sector_trans | .3075696 .3704018 0.83 0.406 -.4184046 1.033544
sector_fin | 1.098864 .2778267 3.96 0.000 .5543332 1.643394
sector_ser~m | 1.46857 .2099746 6.99 0.000 1.057028 1.880113
pers2a5 | -.358117 .2222084 -1.61 0.107 -.7936375 .0774034
123
pers10a49 | .1811525 .1525369 1.19 0.235 -.1178143 .4801193
pers50a199 | .2021661 .1609519 1.26 0.209 -.1132939 .517626
pers200omas | .010868 .1582022 0.07 0.945 -.2992026 .3209385
rg1 | .1582075 .2956046 0.54 0.593 -.4211668 .7375819
rg2 | -.34945 .4114693 -0.85 0.396 -1.155915 .457015
rg3 | .1297747 .2908089 0.45 0.655 -.4402003 .6997496
rg4 | -.4867685 .4211108 -1.16 0.248 -1.312131 .3385936
rg5 | -.4300165 .2169318 -1.98 0.047 -.855195 -.004838
rg6 | .2139735 .1812645 1.18 0.238 -.1412984 .5692453
rg7 | -.0537439 .2171565 -0.25 0.805 -.4793628 .3718751
rg8 | .0170194 .184994 0.09 0.927 -.3455622 .3796011
rg9 | -.1045778 .2360531 -0.44 0.658 -.5672333 .3580777
rg10 | -.0578236 .2087375 -0.28 0.782 -.4669416 .3512945
_cons | -.0669767 2.627008 -0.03 0.980 -5.215817 5.081864
------------------------------------------------------------------------------
. predict proylin_83, xb
(8035 missing values generated)
. gen lambda_omil_83= (normalden(proylin_83)/normal(proylin_83))
(8035 missing values generated)
. reg lytrabajhr lambda_omil_83 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==3 &
borde_om_esc==0, robust
Linear regression Number of obs = 9238
F( 39, 9198) = 33.12
Prob > F = 0.0000
R-squared = 0.1127
Root MSE = .56641
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~83 | .3610721 .0568747 6.35 0.000 .2495849 .4725592
familiar | .0253971 .0178214 1.43 0.154 -.0095368 .0603311
amigo | -.0489661 .0159269 -3.07 0.002 -.0801864 -.0177459
compa | -.008076 .0280137 -0.29 0.773 -.0629891 .0468371
empl | .0357969 .0248061 1.44 0.149 -.0128285 .0844223
omil | -.0694792 .0567837 -1.22 0.221 -.1807877 .0418294
puente | -.0246077 .2278303 -0.11 0.914 -.4712056 .4219902
priv | .0940065 .0665581 1.41 0.158 -.0364621 .2244752
estud | .16099 .0404445 3.98 0.000 .0817098 .2402703
internet | .0642868 .0722076 0.89 0.373 -.0772561 .2058296
muni | .0392286 .0605869 0.65 0.517 -.0795351 .1579923
esc | .0308123 .0025505 12.08 0.000 .0258128 .0358118
experiencia | .0245536 .0013675 17.95 0.000 .0218729 .0272342
experiencia2 | -.0003074 .0000244 -12.61 0.000 -.0003551 -.0002596
rural | -.0227091 .0151876 -1.50 0.135 -.0524802 .007062
contrato_si | .0437964 .0229154 1.91 0.056 -.0011228 .0887157
indefinido | -.0827642 .0263945 -3.14 0.002 -.1345033 -.031025
pers2a5 | -.2836478 .02999 -9.46 0.000 -.3424348 -.2248608
pers6a9 | (dropped)
pers10a49 | -.0955563 .0199436 -4.79 0.000 -.1346501 -.0564625
pers50a199 | -.0519194 .0217869 -2.38 0.017 -.0946265 -.0092123
pers200omas | -.0313614 .0191767 -1.64 0.102 -.068952 .0062293
sector_noesp | .4185074 .1007995 4.15 0.000 .220918 .6160967
sector_min | (dropped)
sector_ind | .3929335 .0537534 7.31 0.000 .2875649 .4983021
sector_energ | .4378643 .0782154 5.60 0.000 .2845446 .5911839
sector_const | .3461218 .0418488 8.27 0.000 .264089 .4281547
sector_com | .2354426 .0441776 5.33 0.000 .1488446 .3220406
sector_trans | .1383976 .0289485 4.78 0.000 .0816521 .1951431
124
sector_fin | .4206809 .0628044 6.70 0.000 .2975703 .5437915
sector_ser~m | .5544693 .0773306 7.17 0.000 .4028841 .7060544
rg1 | .0763019 .0463606 1.65 0.100 -.0145751 .1671788
rg2 | .0318634 .0436385 0.73 0.465 -.0536778 .1174046
rg3 | .2203742 .0387494 5.69 0.000 .1444168 .2963316
rg4 | -.0409625 .0387305 -1.06 0.290 -.1168829 .0349579
rg5 | -.1399669 .0275132 -5.09 0.000 -.1938989 -.0860349
rg6 | .0646418 .0239196 2.70 0.007 .0177541 .1115296
rg7 | -.006819 .0247675 -0.28 0.783 -.0553688 .0417308
rg8 | .1203076 .0246213 4.89 0.000 .0720444 .1685707
rg9 | .1743455 .0290295 6.01 0.000 .1174411 .2312498
rg10 | .1388733 .0231528 6.00 0.000 .0934887 .1842578
rg11 | (dropped)
rg12 | (dropped)
_cons | 5.05398 .208744 24.21 0.000 4.644796 5.463165
------------------------------------------------------------------------------
Quintil 4
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2==4 & borde_om_es
> c==0
Iteration 0: log likelihood = -385.01359
Iteration 1: log likelihood = -351.71392
Iteration 2: log likelihood = -344.18206
Iteration 3: log likelihood = -343.85565
Iteration 4: log likelihood = -343.85323
Iteration 5: log likelihood = -343.85323
Probit regression Number of obs = 8967
LR chi2(39) = 82.32
Prob > chi2 = 0.0001
Log likelihood = -343.85323 Pseudo R2 = 0.1069
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | -.0947859 .113619 -0.83 0.404 -.3174751 .1279033
gto_mun | -.0003435 .000603 -0.57 0.569 -.0015253 .0008383
luz | -.8019653 .6908122 -1.16 0.246 -2.155932 .5520017
agua | -.8556359 .490757 -1.74 0.081 -1.817502 .10623
alcan | -.022559 .3334819 -0.07 0.946 -.6761715 .6310535
lyauth_t_c | -.1428181 .1966685 -0.73 0.468 -.5282812 .2426451
tiene_omil | .0846322 .1458894 0.58 0.562 -.2013057 .3705702
esc | .0178251 .0173013 1.03 0.303 -.0160849 .0517351
experiencia | .0065153 .0107328 0.61 0.544 -.0145205 .0275511
experiencia2 | 2.56e-06 .0001814 0.01 0.989 -.000353 .0003581
rural | -.2605523 .1488306 -1.75 0.080 -.5522549 .0311503
contrato_si | .2841521 .1677202 1.69 0.090 -.0445735 .6128777
indefinido | .002833 .1253967 0.02 0.982 -.24294 .2486061
sector_noesp | .4309482 .4388556 0.98 0.326 -.4291929 1.291089
sector_min | -.2112386 .2884016 -0.73 0.464 -.7764954 .3540183
sector_ind | .0384717 .1928556 0.20 0.842 -.3395183 .4164618
sector_energ | .556776 .3304487 1.68 0.092 -.0908916 1.204444
sector_const | -.1173029 .2233009 -0.53 0.599 -.5549647 .3203589
sector_com | .0619156 .2119974 0.29 0.770 -.3535916 .4774229
sector_trans | -.0604738 .2439049 -0.25 0.804 -.5385186 .4175709
sector_fin | .0590825 .260381 0.23 0.820 -.451255 .5694199
sector_ser~m | .4093303 .1622364 2.52 0.012 .0913527 .7273079
pers2a5 | -.3281549 .2304984 -1.42 0.155 -.7799233 .1236136
pers6a9 | .2085573 .2271993 0.92 0.359 -.2367451 .6538596
pers10a49 | .0930995 .1614198 0.58 0.564 -.2232776 .4094765
pers50a199 | .0197013 .1768257 0.11 0.911 -.3268707 .3662733
pers200omas | -.0058285 .1576703 -0.04 0.971 -.3148567 .3031997
rg1 | -.2580468 .4001278 -0.64 0.519 -1.042283 .5261892
125
rg2 | .4653662 .2191388 2.12 0.034 .0358621 .8948703
rg3 | .5258549 .2061678 2.55 0.011 .1217735 .9299363
rg4 | -.2449748 .3816011 -0.64 0.521 -.9928992 .5029497
rg5 | -.0256173 .1899315 -0.13 0.893 -.3978761 .3466415
rg6 | .3542386 .2085894 1.70 0.089 -.0545892 .7630664
rg7 | -.1883531 .2852669 -0.66 0.509 -.747466 .3707598
rg8 | -.067276 .21407 -0.31 0.753 -.4868455 .3522934
rg9 | -.1465863 .2728218 -0.54 0.591 -.6813072 .3881347
rg10 | -.1944151 .2348809 -0.83 0.408 -.6547732 .2659431
rg11 | .8238768 .2267545 3.63 0.000 .3794461 1.268307
rg12 | -.5244326 .555487 -0.94 0.345 -1.613167 .564302
_cons | .2902758 2.619587 0.11 0.912 -4.84402 5.424572
------------------------------------------------------------------------------
. predict proylin_84, xb
(248 missing values generated)
. gen lambda_omil_84= (normalden(proylin_84)/normal(proylin_84))
(248 missing values generated)
. reg lytrabajhr lambda_omil_84 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==4 &
borde_om_esc==0, robust
Linear regression Number of obs = 8825
F( 43, 8781) = 41.53
Prob > F = 0.0000
R-squared = 0.1521
Root MSE = .62098
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~84 | .3414367 .0459351 7.43 0.000 .251393 .4314803
familiar | .006088 .0189339 0.32 0.748 -.0310269 .043203
amigo | -.0602244 .0172988 -3.48 0.001 -.0941341 -.0263147
compa | -.0299448 .0309271 -0.97 0.333 -.0905692 .0306795
empl | -.0230785 .0315302 -0.73 0.464 -.0848852 .0387281
omil | -.1043884 .0739027 -1.41 0.158 -.249255 .0404781
puente | .1353094 .3070928 0.44 0.660 -.4666644 .7372832
priv | -.0193464 .0888577 -0.22 0.828 -.1935284 .1548355
estud | .0939532 .0399156 2.35 0.019 .0157092 .1721971
internet | .1028168 .0835229 1.23 0.218 -.0609077 .2665413
muni | -.0479662 .0528397 -0.91 0.364 -.1515445 .055612
esc | .0547418 .0026243 20.86 0.000 .0495976 .059886
experiencia | .0304965 .0015096 20.20 0.000 .0275373 .0334557
experiencia2 | -.0003495 .000027 -12.96 0.000 -.0004024 -.0002967
rural | -.0755376 .0193078 -3.91 0.000 -.1133855 -.0376898
contrato_si | -.0917023 .0247347 -3.71 0.000 -.1401881 -.0432166
indefinido | -.0034401 .0164315 -0.21 0.834 -.0356497 .0287695
pers2a5 | -.2564928 .0299563 -8.56 0.000 -.3152143 -.1977714
pers6a9 | -.1859722 .032506 -5.72 0.000 -.2496916 -.1222527
pers10a49 | -.0572947 .0224601 -2.55 0.011 -.1013216 -.0132677
pers50a199 | -.0778637 .0237362 -3.28 0.001 -.1243922 -.0313352
pers200omas | .0350195 .0219319 1.60 0.110 -.0079721 .0780111
sector_noesp | .2506532 .0780109 3.21 0.001 .0977335 .4035729
sector_min | .137883 .0365556 3.77 0.000 .0662254 .2095405
sector_ind | .067777 .023286 2.91 0.004 .0221309 .113423
sector_energ | .346063 .0546526 6.33 0.000 .2389311 .453195
sector_const | .0016814 .0254411 0.07 0.947 -.0481892 .0515519
sector_com | .0173645 .0280585 0.62 0.536 -.0376366 .0723656
sector_trans | -.0328419 .0303814 -1.08 0.280 -.0923965 .0267126
sector_fin | .0414373 .0351238 1.18 0.238 -.0274136 .1102883
sector_ser~m | .2214342 .0301818 7.34 0.000 .1622708 .2805975
126
rg1 | -.0770271 .0429944 -1.79 0.073 -.1613061 .0072519
rg2 | .1664526 .0430063 3.87 0.000 .0821503 .2507549
rg3 | .2646392 .0405429 6.53 0.000 .1851655 .3441128
rg4 | -.0041711 .0373394 -0.11 0.911 -.0773651 .0690228
rg5 | -.0148639 .0222718 -0.67 0.505 -.0585219 .0287941
rg6 | .1217003 .0295967 4.11 0.000 .0636838 .1797167
rg7 | -.0061043 .0307946 -0.20 0.843 -.066469 .0542604
rg8 | .0768446 .0262518 2.93 0.003 .0253849 .1283042
rg9 | .1153398 .0358556 3.22 0.001 .0450543 .1856252
rg10 | .1823269 .0253497 7.19 0.000 .1326355 .2320182
rg11 | .2672336 .075184 3.55 0.000 .1198554 .4146117
rg12 | .0120055 .0424537 0.28 0.777 -.0712137 .0952248
_cons | 5.320081 .1621619 32.81 0.000 5.002206 5.637956
Quintil 5
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2==5 & borde_om_es
> c==0
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 70 obs not used
note: sector_energ != 0 predicts failure perfectly
sector_energ dropped and 63 obs not used
note: sector_const != 0 predicts failure perfectly
sector_const dropped and 531 obs not used
note: sector_fin != 0 predicts failure perfectly
sector_fin dropped and 597 obs not used
note: pers6a9 != 0 predicts failure perfectly
pers6a9 dropped and 180 obs not used
note: rg5 != 0 predicts failure perfectly
rg5 dropped and 434 obs not used
note: rg8 != 0 predicts failure perfectly
rg8 dropped and 433 obs not used
note: rg11 != 0 predicts failure perfectly
rg11 dropped and 140 obs not used
Iteration 0: log likelihood = -130.50547
Iteration 1: log likelihood = -109.61937
Iteration 2: log likelihood = -104.79096
Iteration 3: log likelihood = -104.18472
Iteration 4: log likelihood = -104.15966
Iteration 5: log likelihood = -104.15957
Probit regression Number of obs = 3873
LR chi2(31) = 52.69
Prob > chi2 = 0.0089
Log likelihood = -104.15957 Pseudo R2 = 0.2019
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | -.3527526 .2010653 -1.75 0.079 -.7468332 .0413281
gto_mun | .0005965 .0007483 0.80 0.425 -.0008702 .0020632
luz | 1.338271 1.407017 0.95 0.342 -1.419431 4.095973
agua | -1.003837 .9932742 -1.01 0.312 -2.950619 .9429441
alcan | -.3201787 .6406203 -0.50 0.617 -1.575771 .9354141
127
lyauth_t_c | .3854985 .3245088 1.19 0.235 -.250527 1.021524
tiene_omil | .8179899 .3048091 2.68 0.007 .220575 1.415405
esc | -.0651592 .0282742 -2.30 0.021 -.1205755 -.0097428
experiencia | -.0135977 .017902 -0.76 0.448 -.048685 .0214896
experiencia2 | .0002857 .000285 1.00 0.316 -.0002729 .0008443
rural | .2586841 .2443248 1.06 0.290 -.2201837 .7375518
contrato_si | .2862242 .2936982 0.97 0.330 -.2894137 .8618622
indefinido | -.2624238 .2258556 -1.16 0.245 -.7050926 .1802449
sector_min | .5401011 .5575557 0.97 0.333 -.552688 1.63289
sector_ind | .7207843 .4646191 1.55 0.121 -.1898524 1.631421
sector_com | .7211652 .4614703 1.56 0.118 -.1832999 1.62563
sector_trans | .5800427 .5352829 1.08 0.279 -.4690926 1.629178
sector_ser~m | 1.3798 .4202582 3.28 0.001 .5561091 2.203491
pers2a5 | -.5253345 .403241 -1.30 0.193 -1.315672 .2650034
pers10a49 | .2212763 .2994489 0.74 0.460 -.3656329 .8081854
pers50a199 | .3578685 .318545 1.12 0.261 -.2664682 .9822052
pers200omas | -.0772993 .3071554 -0.25 0.801 -.6793128 .5247142
rg1 | .361475 .4121867 0.88 0.381 -.4463962 1.169346
rg2 | -.135776 .4627704 -0.29 0.769 -1.042789 .7712374
rg3 | .2825942 .3875045 0.73 0.466 -.4769006 1.042089
rg4 | .0811858 .4814648 0.17 0.866 -.8624678 1.024839
rg6 | .7419709 .355535 2.09 0.037 .0451352 1.438807
rg7 | .1743205 .4522636 0.39 0.700 -.7120998 1.060741
rg9 | .1896839 .456988 0.42 0.678 -.7059961 1.085364
rg10 | .1551707 .3724447 0.42 0.677 -.5748074 .8851489
rg12 | .243886 .4527076 0.54 0.590 -.6434046 1.131177
_cons | -8.736217 4.404309 -1.98 0.047 -17.3685 -.1039288
------------------------------------------------------------------------------
. predict proylin_85, xb
(28358 missing values generated)
. gen lambda_omil_85= (normalden(proylin_85)/normal(proylin_85))
(28358 missing values generated)
. reg lytrabajhr lambda_omil_85 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2==5 &
borde_om_esc==0, robust
Linear regression Number of obs = 3818
F( 34, 3783) = 34.56
Prob > F = 0.0000
R-squared = 0.2262
Root MSE = .80156
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~85 | .1532823 .0407351 3.76 0.000 .0734174 .2331473
familiar | -.0276175 .0367449 -0.75 0.452 -.0996593 .0444242
amigo | -.097136 .0360655 -2.69 0.007 -.1678457 -.0264264
compa | -.0114184 .0641067 -0.18 0.859 -.1371055 .1142687
empl | .0995542 .0772837 1.29 0.198 -.0519675 .2510759
omil | -.1264047 .1909959 -0.66 0.508 -.5008695 .2480602
puente | (dropped)
priv | .188465 .1349478 1.40 0.163 -.0761125 .4530426
estud | .0323735 .0579418 0.56 0.576 -.0812267 .1459737
internet | .1000571 .1318425 0.76 0.448 -.1584321 .3585463
muni | -.146852 .0780356 -1.88 0.060 -.2998479 .0061439
esc | .0832245 .0051941 16.02 0.000 .073041 .0934079
experiencia | .0332286 .0031435 10.57 0.000 .0270654 .0393917
experiencia2 | -.0003041 .0000559 -5.43 0.000 -.0004138 -.0001944
rural | .0862479 .0355991 2.42 0.015 .0164527 .1560431
contrato_si | -.4249617 .0509156 -8.35 0.000 -.5247864 -.3251371
128
indefinido | -.1077304 .0406177 -2.65 0.008 -.1873651 -.0280956
pers2a5 | .0456885 .0489675 0.93 0.351 -.0503168 .1416938
pers6a9 | (dropped)
pers10a49 | .1330521 .0500534 2.66 0.008 .0349178 .2311864
pers50a199 | .2197937 .0518736 4.24 0.000 .1180909 .3214966
pers200omas | .2395302 .0453879 5.28 0.000 .150543 .3285174
sector_noesp | (dropped)
sector_min | .2687699 .0667729 4.03 0.000 .1378555 .3996843
sector_ind | .0014736 .0573296 0.03 0.979 -.1109263 .1138735
sector_energ | (dropped)
sector_const | (dropped)
sector_com | -.1571432 .0583268 -2.69 0.007 -.2714982 -.0427882
sector_trans | -.0916053 .0638851 -1.43 0.152 -.2168578 .0336473
sector_fin | (dropped)
sector_ser~m | .0938269 .0699273 1.34 0.180 -.043272 .2309258
rg1 | -.3173916 .0625985 -5.07 0.000 -.4401216 -.1946616
rg2 | -.132695 .0514455 -2.58 0.010 -.2335586 -.0318313
rg3 | -.1793151 .0633632 -2.83 0.005 -.3035445 -.0550857
rg4 | -.1432015 .0680242 -2.11 0.035 -.2765691 -.0098339
rg5 | (dropped)
rg6 | -.1461024 .0536525 -2.72 0.006 -.2512929 -.0409118
rg7 | -.1444062 .059689 -2.42 0.016 -.261432 -.0273804
rg8 | (dropped)
rg9 | -.113099 .0532712 -2.12 0.034 -.217542 -.0086559
rg10 | -.0841751 .0449915 -1.87 0.061 -.1723851 .0040348
rg11 | (dropped)
rg12 | -.1791492 .0664334 -2.70 0.007 -.309398 -.0489004
_cons | 6.235074 .1498381 41.61 0.000 5.941302 6.528845
Quintiles 1 y 2
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2>=1 & qaut_2<3 &
> borde_om_esc==0
note: sector_noesp != 0 predicts failure perfectly
sector_noesp dropped and 84 obs not used
Iteration 0: log likelihood = -1401.2335
Iteration 1: log likelihood = -1205.1724
Iteration 2: log likelihood = -1156.0245
Iteration 3: log likelihood = -1154.1052
Iteration 4: log likelihood = -1154.0955
Iteration 5: log likelihood = -1154.0955
Probit regression Number of obs = 24224
LR chi2(38) = 494.28
Prob > chi2 = 0.0000
Log likelihood = -1154.0955 Pseudo R2 = 0.1764
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | .058018 .0711889 0.81 0.415 -.0815096 .1975457
gto_mun | .0007858 .0002932 2.68 0.007 .0002111 .0013604
luz | -.1864793 .3815513 -0.49 0.625 -.934306 .5613475
agua | .1054242 .2412319 0.44 0.662 -.3673817 .57823
alcan | -.1858121 .1720072 -1.08 0.280 -.52294 .1513159
lyauth_t_c | -.1485353 .1090883 -1.36 0.173 -.3623444 .0652738
tiene_omil | .0707673 .0753437 0.94 0.348 -.0769036 .2184382
esc | -.0217888 .0101048 -2.16 0.031 -.0415938 -.0019837
experiencia | -.008019 .0064016 -1.25 0.210 -.0205659 .004528
experiencia2 | .0001491 .0000964 1.55 0.122 -.0000399 .0003381
rural | -.1462986 .0681903 -2.15 0.032 -.2799492 -.0126479
contrato_si | .4187774 .0769292 5.44 0.000 .2679989 .5695559
129
indefinido | -.3928066 .0647199 -6.07 0.000 -.5196553 -.2659579
sector_min | -.1957458 .3318837 -0.59 0.555 -.8462259 .4547344
sector_ind | .3940146 .1100073 3.58 0.000 .1784043 .6096249
sector_energ | .4553319 .282684 1.61 0.107 -.0987186 1.009382
sector_const | .5001572 .0928428 5.39 0.000 .3181887 .6821258
sector_com | .5478515 .1240994 4.41 0.000 .3046211 .791082
sector_trans | .3667696 .1468482 2.50 0.013 .0789524 .6545868
sector_fin | .5858209 .1757864 3.33 0.001 .2412859 .9303558
sector_ser~m | 1.24057 .0849441 14.60 0.000 1.074083 1.407058
pers2a5 | -.1247391 .1031823 -1.21 0.227 -.3269727 .0774945
pers6a9 | -.1125574 .1489635 -0.76 0.450 -.4045205 .1794057
pers10a49 | .1468514 .0852702 1.72 0.085 -.0202751 .313978
pers50a199 | .1635079 .0929237 1.76 0.078 -.0186192 .345635
pers200omas | .2007489 .0894968 2.24 0.025 .0253385 .3761594
rg1 | -.3874558 .2424518 -1.60 0.110 -.8626525 .087741
rg2 | .1110858 .19236 0.58 0.564 -.2659329 .4881045
rg3 | -.2391601 .2407184 -0.99 0.320 -.7109595 .2326393
rg4 | -.0587408 .1471962 -0.40 0.690 -.3472401 .2297585
rg5 | -.1197975 .1103016 -1.09 0.277 -.3359847 .0963898
rg6 | -.2774132 .1320075 -2.10 0.036 -.5361431 -.0186833
rg7 | -.1540971 .1236895 -1.25 0.213 -.396524 .0883298
rg8 | -.0590931 .1081275 -0.55 0.585 -.2710191 .1528329
rg9 | -.177642 .1341315 -1.32 0.185 -.4405348 .0852508
rg10 | -.0398743 .1185205 -0.34 0.737 -.2721703 .1924217
rg11 | .400633 .2225721 1.80 0.072 -.0356003 .8368663
rg12 | -.4239677 .4258058 -1.00 0.319 -1.258532 .4105963
_cons | -.6974481 1.430457 -0.49 0.626 -3.501093 2.106197
------------------------------------------------------------------------------
. predict proylin_86, xb
(612 missing values generated)
. gen lambda_omil_86= (normalden(proylin_86)/normal(proylin_86))
(612 missing values generated)
. reg lytrabajhr lambda_omil_86 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=1 & qaut_2<3 &
borde_om_esc==0, robust
Linear regression Number of obs = 23238
F( 42, 23195) = 62.93
Prob > F = 0.0000
R-squared = 0.1115
Root MSE = .61338
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~86 | -.1132756 .0563279 -2.01 0.044 -.223682 -.0028693
familiar | .0360506 .0125208 2.88 0.004 .011509 .0605922
amigo | .0014662 .0110203 0.13 0.894 -.0201343 .0230666
compa | .0503464 .0207693 2.42 0.015 .0096373 .0910555
empl | .0139752 .0169622 0.82 0.410 -.019272 .0472223
omil | -.0745145 .0333066 -2.24 0.025 -.1397977 -.0092313
puente | -.1811673 .1348155 -1.34 0.179 -.4454146 .0830799
priv | -.1034427 .0726734 -1.42 0.155 -.2458874 .0390019
estud | .1051768 .039261 2.68 0.007 .0282226 .182131
internet | .104321 .1716462 0.61 0.543 -.2321169 .4407588
muni | -.0286336 .0382874 -0.75 0.455 -.1036794 .0464121
esc | .0276141 .0019943 13.85 0.000 .0237052 .031523
experiencia | .0184963 .0010423 17.75 0.000 .0164534 .0205392
experiencia2 | -.0002708 .0000186 -14.56 0.000 -.0003073 -.0002343
rural | -.0190135 .0106686 -1.78 0.075 -.0399247 .0018977
contrato_si | .1093519 .023951 4.57 0.000 .0624064 .1562975
130
indefinido | .1557251 .0222501 7.00 0.000 .1121135 .1993367
pers2a5 | -.1345392 .0166283 -8.09 0.000 -.1671317 -.1019467
pers6a9 | -.1265497 .0177675 -7.12 0.000 -.1613752 -.0917242
pers10a49 | -.1008043 .0147339 -6.84 0.000 -.1296837 -.0719248
pers50a199 | -.076557 .0163743 -4.68 0.000 -.1086517 -.0444623
pers200omas | -.0283972 .0171281 -1.66 0.097 -.0619695 .0051751
sector_noesp | (dropped)
sector_min | .1922708 .0284177 6.77 0.000 .1365703 .2479714
sector_ind | .0526939 .0239695 2.20 0.028 .0057122 .0996757
sector_energ | .1112487 .0451704 2.46 0.014 .0227118 .1997857
sector_const | .0723866 .0280729 2.58 0.010 .0173618 .1274114
sector_com | .0057761 .0317535 0.18 0.856 -.0564628 .068015
sector_trans | .0225384 .0255632 0.88 0.378 -.0275671 .072644
sector_fin | .061835 .0359054 1.72 0.085 -.0085419 .1322119
sector_ser~m | -.013807 .0643467 -0.21 0.830 -.1399309 .1123168
rg1 | .0681827 .035614 1.91 0.056 -.0016231 .1379884
rg2 | -.0175321 .0473295 -0.37 0.711 -.1103009 .0752368
rg3 | .1488959 .0296499 5.02 0.000 .0907802 .2070116
rg4 | -.048376 .0208904 -2.32 0.021 -.0893225 -.0074295
rg5 | .0007695 .0155567 0.05 0.961 -.0297226 .0312615
rg6 | .0108999 .0190934 0.57 0.568 -.0265243 .0483242
rg7 | -.0203257 .0170997 -1.19 0.235 -.0538422 .0131909
rg8 | -.108349 .0149648 -7.24 0.000 -.1376809 -.079017
rg9 | -.038265 .01856 -2.06 0.039 -.0746439 -.0018862
rg10 | .0819262 .0159782 5.13 0.000 .0506079 .1132446
rg11 | .1138625 .0580421 1.96 0.050 .0000963 .2276288
rg12 | .0133588 .0581798 0.23 0.818 -.1006775 .1273951
_cons | 6.382448 .1745086 36.57 0.000 6.0404 6.724497
Quintiles 3 y 4
. probit omil cyj_trb_aut gto_mun luz agua alcan lyauth_t_c tiene_omil esc experiencia
experiencia2 rural contrato_si indefinido ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> pers2a5 pers6a9 pers10a49 pers50a199 pers200omas rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10
rg11 rg12 if indepe==0 & qaut_2>=3 & qaut_2<5 &
> borde_om_esc==0
Iteration 0: log likelihood = -831.37175
Iteration 1: log likelihood = -750.5804
Iteration 2: log likelihood = -735.0922
Iteration 3: log likelihood = -734.4319
Iteration 4: log likelihood = -734.42686
Iteration 5: log likelihood = -734.42686
Probit regression Number of obs = 19606
LR chi2(39) = 193.89
Prob > chi2 = 0.0000
Log likelihood = -734.42686 Pseudo R2 = 0.1166
------------------------------------------------------------------------------
omil | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cyj_trb_aut | -.0683982 .0776454 -0.88 0.378 -.2205804 .083784
gto_mun | -.0001335 .0004172 -0.32 0.749 -.0009512 .0006842
luz | -.5238677 .4778701 -1.10 0.273 -1.460476 .4127404
agua | -.6294587 .319742 -1.97 0.049 -1.256142 -.0027758
alcan | -.1111935 .2203836 -0.50 0.614 -.5431375 .3207505
lyauth_t_c | -.1595674 .1352205 -1.18 0.238 -.4245947 .1054599
tiene_omil | .1309327 .096667 1.35 0.176 -.058531 .3203965
esc | .0018264 .0118307 0.15 0.877 -.0213613 .0250142
experiencia | .0056405 .0074138 0.76 0.447 -.0088902 .0201712
experiencia2 | -.000011 .0001237 -0.09 0.929 -.0002535 .0002314
rural | -.1985176 .0956494 -2.08 0.038 -.385987 -.0110482
contrato_si | .3020134 .1086589 2.78 0.005 .0890459 .5149808
indefinido | -.2144251 .0803328 -2.67 0.008 -.3718745 -.0569758
sector_noesp | .7860102 .3120893 2.52 0.012 .1743264 1.397694
sector_min | .0163512 .256828 0.06 0.949 -.4870225 .5197249
131
sector_ind | .484298 .1327919 3.65 0.000 .2240306 .7445654
sector_energ | .7752752 .2545076 3.05 0.002 .2764495 1.274101
sector_const | .2998424 .1411404 2.12 0.034 .0232123 .5764725
sector_com | .3411368 .1579296 2.16 0.031 .0316005 .6506731
sector_trans | .1142369 .195771 0.58 0.560 -.2694673 .497941
sector_fin | .536316 .1780622 3.01 0.003 .1873206 .8853114
sector_ser~m | .8976424 .1199388 7.48 0.000 .6625667 1.132718
pers2a5 | -.3227648 .1560398 -2.07 0.039 -.6285971 -.0169325
pers6a9 | -.1122062 .1930382 -0.58 0.561 -.4905541 .2661416
pers10a49 | .1441416 .107876 1.34 0.181 -.0672915 .3555748
pers50a199 | .128871 .1155025 1.12 0.265 -.0975098 .3552517
pers200omas | .018997 .1087379 0.17 0.861 -.1941253 .2321193
rg1 | -.0106339 .222509 -0.05 0.962 -.4467435 .4254756
rg2 | .1916601 .1807257 1.06 0.289 -.1625559 .545876
rg3 | .384186 .1606787 2.39 0.017 .0692616 .6991105
rg4 | -.372421 .2741659 -1.36 0.174 -.9097763 .1649342
rg5 | -.1923638 .1383293 -1.39 0.164 -.4634842 .0787566
rg6 | .2774735 .1336021 2.08 0.038 .0156182 .5393287
rg7 | -.0997068 .1667774 -0.60 0.550 -.4265844 .2271709
rg8 | .0079108 .1353036 0.06 0.953 -.2572794 .2731011
rg9 | -.1048393 .1730284 -0.61 0.545 -.4439688 .2342902
rg10 | -.1022 .1514452 -0.67 0.500 -.3990271 .1946272
rg11 | .5498699 .1976144 2.78 0.005 .1625528 .937187
rg12 | -.4634435 .3987407 -1.16 0.245 -1.244961 .3180739
_cons | .0327586 1.785198 0.02 0.985 -3.466166 3.531683
------------------------------------------------------------------------------
. predict proylin_87, xb
(248 missing values generated)
. gen lambda_omil_87= (normalden(proylin_87)/normal(proylin_87))
(248 missing values generated)
. reg lytrabajhr lambda_omil_87 familiar amigo compa empl omil puente priv estud internet
muni ///
> esc experiencia experiencia2 rural contrato_si indefinido pers2a5 pers6a9 pers10a49
pers50a199 pers200omas ///
> sector_noesp sector_min sector_ind sector_energ sector_const sector_com sector_trans
sector_fin sector_servcom ///
> rg1 rg2 rg3 rg4 rg5 rg6 rg7 rg8 rg9 rg10 rg11 rg12 if indepe==0 & qaut_2>=3 & qaut_2<5 &
borde_om_esc==0, robust
Linear regression Number of obs = 19287
F( 43, 19243) = 90.02
Prob > F = 0.0000
R-squared = 0.1508
Root MSE = .60561
------------------------------------------------------------------------------
| Robust
lytrabajhr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lambda_om~87 | .3656301 .0369165 9.90 0.000 .2932705 .4379898
familiar | .0219888 .0127949 1.72 0.086 -.0030903 .0470679
amigo | -.0635427 .0116041 -5.48 0.000 -.0862878 -.0407976
compa | -.0158819 .0209134 -0.76 0.448 -.056874 .0251103
empl | -.0100521 .0192108 -0.52 0.601 -.0477069 .0276027
omil | -.1073148 .0469707 -2.28 0.022 -.1993814 -.0152482
puente | .0041249 .1765677 0.02 0.981 -.3419632 .350213
priv | .0427372 .055866 0.76 0.444 -.0667652 .1522395
estud | .1151543 .0290731 3.96 0.000 .0581685 .17214
internet | .1283422 .0589418 2.18 0.029 .0128111 .2438734
muni | .0099571 .0403667 0.25 0.805 -.0691651 .0890792
esc | .0495583 .0017726 27.96 0.000 .0460838 .0530327
experiencia | .0277373 .0009976 27.80 0.000 .0257819 .0296927
experiencia2 | -.0003145 .0000178 -17.64 0.000 -.0003495 -.0002796
rural | -.0565525 .0119417 -4.74 0.000 -.0799594 -.0331457
contrato_si | -.026099 .0165205 -1.58 0.114 -.0584805 .0062826
indefinido | -.0358642 .0126947 -2.83 0.005 -.060747 -.0109815
pers2a5 | -.2678634 .0209294 -12.80 0.000 -.3088869 -.2268399
132
pers6a9 | -.2662664 .0207876 -12.81 0.000 -.307012 -.2255208
pers10a49 | -.0899928 .0147844 -6.09 0.000 -.1189715 -.0610141
pers50a199 | -.0681021 .0155825 -4.37 0.000 -.0986451 -.0375591
pers200omas | .0000789 .0144293 0.01 0.996 -.0282037 .0283616
sector_noesp | .3454619 .0619815 5.57 0.000 .2239728 .4669509
sector_min | .2470829 .0235762 10.48 0.000 .2008716 .2932943
sector_ind | .2312246 .0214577 10.78 0.000 .1891656 .2732836
sector_energ | .4055074 .0463625 8.75 0.000 .3146329 .4963819
sector_const | .1772175 .0177919 9.96 0.000 .1423438 .2120911
sector_com | .1174037 .0211518 5.55 0.000 .0759442 .1588631
sector_trans | .0556858 .0193677 2.88 0.004 .0177234 .0936481
sector_fin | .2280572 .0280269 8.14 0.000 .173122 .2829924
sector_ser~m | .4061269 .033571 12.10 0.000 .3403249 .471929
rg1 | .005569 .0307961 0.18 0.856 -.0547941 .0659321
rg2 | .1296463 .0271658 4.77 0.000 .0763989 .1828937
rg3 | .2833352 .0273903 10.34 0.000 .2296478 .3370226
rg4 | -.0479883 .0250048 -1.92 0.055 -.0969998 .0010233
rg5 | -.0862445 .0152196 -5.67 0.000 -.1160762 -.0564128
rg6 | .0697082 .0187766 3.71 0.000 .0329045 .106512
rg7 | -.0260726 .0192806 -1.35 0.176 -.0638643 .0117191
rg8 | .0879578 .0180671 4.87 0.000 .0525447 .123371
rg9 | .1322887 .0226998 5.83 0.000 .0877951 .1767823
rg10 | .1700525 .0175082 9.71 0.000 .1357348 .2043702
rg11 | .2980395 .0518878 5.74 0.000 .1963349 .3997441
rg12 | -.0000701 .0326679 -0.00 0.998 -.064102 .0639618
_cons | 5.08243 .1290362 39.39 0.000 4.829508 5.335352
------------------------------------------------------------------------------